#评测/基准

#评测/基准

今日 6 条

今天星期五周五 · 10月16日 · 6 条

Meta Muse Spark Open 模型上线 Modal 平台
今天Modal Blog模型模型发布开源/仓库评分 45
GPT-Live-1.1 模型数据与训练
今天OpenAI Deployment Safety模型模型发布安全/对齐评分 32
Anthropic 与第三方机构合作进行 AI 模型风险评估
推荐理由：Anthropic 与多家第三方机构合作进行风险评估，旨在提高其 AI 模型的安全性，读者可以关注这一趋势对行业的影响。
今天Anthropic News模型行业动态安全/对齐精选评分 70
NVIDIA RTX Spark发布：为创作者、游戏玩家和AI智能体打造的全新PC平台
今天NVIDIA Blog产品产品更新评测/基准评分 42
Strands Decider 2B 添加四款 Gemma 4 模型
今天Strands Agents模型模型发布开源/仓库评分 45
Gemini 新闻 AI 测试项目现已有 400 家媒体参与
今天Google Blog产品产品更新开源/仓库评分 40

10月15日星期四周四

GeForce NOW 推出 NVIDIA DLSS 4.5 控制功能
昨天NVIDIA Blog产品产品更新开源/仓库评分 45
Google SynthID 荣获 2026 年 TIME 最佳发明
昨天Google Blog产品产品更新开源/仓库评分 45
RuleTrek：复杂场景下智能体规则推理基准评估
昨天Hugging Face Daily Papers论文论文/研究评测/基准评分 40
SafeDriveVLA：导航条件下的世界模型梦境，用于冲突感知的端到端自动驾驶
昨天Hugging Face Daily Papers论文论文/研究开源/仓库评分 45
Doc2Harness：评估LLM在长周期编码智能体工程中的基准测试
昨天Hugging Face Daily Papers论文论文/研究评测/基准评分 40
DecisionRobust：文本和视觉输入决策模型鲁棒性基准评测
昨天Hugging Face Daily Papers论文论文/研究评测/基准评分 35
自我蒸馏在智能体强化学习中的方法比较：现实检验
昨天Hugging Face Daily Papers论文论文/研究评测/基准评分 40
LangChain 平台 Agent Evals：常见问题解答
昨天LangChain Blog教程教程/实践 Agent评分 37
Gemini：如何评估、迭代和守护AI编码智能体
昨天Google Developers Blog模型教程/实践评测/基准评分 40
Anthropic 加强 Claude 模型选举安全功能，应对 2026 年美国中期选举
昨天Anthropic News产品模型发布教程/实践评分 45
Databricks 分析：AI 智能体应用中的 ROI 疑问与生产力定义
昨天Databricks Blog观点现象/趋势大佬观点评分 45
"Whisper-small 编码器在代码切换检测中的应用研究"
昨天Apple Machine Learning Research论文论文/研究语音评分 35

10月14日星期三周三

GPT-6 Astra 与 GPT-6.1 Sol：OpenAI AI 实验室运行 10,000 个智能体 36 小时
10月14日OpenAI News模型模型发布开源/仓库评分 35
AI ROI：为何智能体并非答案
10月14日Tessl观点现象/趋势大佬观点评分 37
Tessl 聊天会：Guy Podjarny 探讨 AI 时代软件开发新范式
10月14日Tessl产品产品更新开源/仓库评分 30
AI Native Dev 社区伦敦之夜：评估和优化现实世界中的 AI
10月14日Tessl教程教程/实践评测/基准评分 35
Databricks 首次入选 Gartner® Magic Quadrant™ 分析和商业智能平台“愿景家”象限
10月14日Databricks Blog行业评测/基准行业动态评分 35

10月13日星期二周二

Gemini-3.7-Flash 与 GPT-5.6-Luna 在危机报告评估中的对比研究
10月13日Hugging Face Daily Papers论文论文/研究评测/基准评分 37
Mix, Don't Tune：Apple Machine Learning Research 提出双语预训练优于超参数搜索
10月13日Apple Machine Learning Research论文论文/研究开源/仓库评分 45
MA-Bench：衡量语言模型在军事行动规划中的表现
10月13日Hugging Face Daily Papers论文论文/研究评测/基准评分 35
Qwen3-1.7B 和 Qwen3-4B 模型中 Proximal KL 正则化实现 Token-wise Importance Sampling
10月13日Hugging Face Daily Papers论文论文/研究开源/仓库评分 27
大语言模型基准压缩调查：高效评估方法综述
10月13日Hugging Face Daily Papers论文论文/研究评测/基准评分 32
选择 LLM 用于战略智能体交互
10月13日Hugging Face Daily Papers论文论文/研究评测/基准评分 35
DeRef 模型：填补工具调用论证验证中的推导差距
10月13日Hugging Face Daily Papers论文论文/研究评测/基准评分 35
ARBITER：基于验证反馈的代码判断智能体
10月13日Hugging Face Daily Papers论文论文/研究开源/仓库评分 42
COMPASS 模型：评估模型兼容性，优化跨模态和合并任务
10月13日Hugging Face Daily Papers论文论文/研究开源/仓库评分 45
SWE-MISBEHAVIOR：软件编码智能体边界违规行为基准与缓解
10月13日Hugging Face Daily Papers论文论文/研究评测/基准评分 40
CLASHarness：通过可控和可验证的生成流程评估计算机使用中的多智能体冲突
10月13日Hugging Face Daily Papers论文论文/研究评测/基准评分 37
StudentSim：模拟学生学习以改善 AI 辅导
10月13日Microsoft Research论文论文/研究 Agent评分 52

10月12日星期一周一

Google Fitbit Edge：新一代智能健身追踪器发布
10月12日Google Blog产品产品更新开源/仓库评分 45
SELFCOMPACT：自我压缩语言模型智能体
10月12日Apple Machine Learning Research论文论文/研究开源/仓库评分 42
LLMs 在机器翻译质量标注中的挑战：人类与模型均面临挑战
10月12日Apple Machine Learning Research论文模型发布论文/研究评分 32
Modal Endpoint Candidates：优化推理端点性能的新工具
10月12日Modal Blog产品产品更新开源/仓库评分 37
ProbabilityBench：基于精确真实不确定性的模型评估与校准
10月12日Hugging Face Daily Papers论文论文/研究评测/基准评分 40