#评测/基准

#评测/基准

今日 15 条

9月9日星期三周三

Goodfire 利用 Ai2 开源后训练堆栈追踪不期望的模型行为
推荐理由：Goodfire 利用 Ai2 的开源后训练堆栈展示了如何通过预测和追踪模型行为来提高模型的可解释性和安全性。
9月9日Ai2模型论文/研究 Agent精选评分 67
Hyper-𝜏-bench：评估构建智能体的智能体
推荐理由：Hyper-𝜏-bench 是一个用于评估模型构建智能体的新基准，读者可以了解其如何衡量模型构建智能体的能力。
9月9日Sierra论文评测/基准 Agent精选评分 62
AI 代码审查：现状与应对策略
9月9日Pragmatic Engineer行业行业动态现象/趋势评分 45

9月8日星期二周二

Motif-3, GLM-5.3, Hy4-preview 模型及开放模型许可发布
9月8日Interconnects (Nathan Lambert)模型模型发布开源/仓库评分 45
vLLM Team Blog - GLM 5.3 优化：混合 HiSparse 卸载在 vLLM 中的应用
9月8日vLLM Team Blog模型模型发布开源/仓库评分 47
ChatGPT Images 2.5 系统卡片
9月8日OpenAI Deployment Safety模型模型发布安全/对齐评分 42

9月7日星期一周一

DeepMind 数学问题求解代理：作弊与反作弊现象分析
9月7日Import AI模型模型发布评测/基准评分 45

9月5日星期六周六

Claude Fable 5.1 和 Claude Mythos 5.1 发布；OpenAI 推出 GPT-6 Astra；Nvidia 确认收购 Hugging Face
9月5日Deep Learning Weekly模型模型发布评测/基准评分 45

9月4日星期五周五

Strands Evals 支持多种代理框架，实现框架无关评估
9月4日Strands Agents产品教程/实践开源/仓库评分 42
Midjourney Alpha 版本 v8.2 更新：编辑模型与风格探索功能增强
9月4日Midjourney Updates产品产品更新开源/仓库评分 35
科技公司转向开源AI模型的趋势
9月4日Pragmatic Engineer行业行业动态现象/趋势评分 42

9月3日星期四周四

"AI智能购物助手崛起：投资者押注，市场前景广阔"
9月3日Newcomer产品产品更新现象/趋势评分 45
Strands 团队 AI 使用反思：效率提升与质量挑战
9月3日Strands Agents观点教程/实践现象/趋势评分 45

9月2日星期三周三

Gemini 3.8 Flash模型发布，仅需0.75美元/百万输入token，在多个基准测试中击败旗舰模型，现已在AI Studio、Gemini应用和Antigravity平台可用。
9月2日Ammaar Reshi模型模型发布开源/仓库评分 45
BenchMIRT：LLM 基准测试实际测量了什么？
推荐理由：BenchMIRT 通过分析模型在各个问题上的表现，揭示了现有基准测试的复杂性和潜在问题，为更精准的模型评估提供了新思路。
9月2日Hugging Face Blog论文评测/基准 Hugging Face精选评分 70

9月1日星期二周二

BenchMIRT：LLM 基准测试实际上在测量什么？
推荐理由：BenchMIRT 通过分析模型在各个问题上的表现，揭示了现有基准测试的复杂性，并有助于构建更精确、更易理解的模型评估方法。
9月1日Ai2论文评测/基准推理精选评分 70

8月31日星期一周一

Hugging Face 与 OpenAI 事件：机器间的沟通与无私引发担忧
8月31日Import AI观点评测/基准安全/对齐评分 40

8月28日星期五周五

Claude Code：Warp 如何构建自我进化的 Agent
8月28日宝玉的博客 (Baoyu)模型教程/实践开源/仓库评分 45
Open ASR Leaderboard 新增印度英语和印地语评估集
推荐理由：原文介绍了 Open ASR Leaderboard 新增的印度英语和印地语评估集，读者可以了解其对语音识别领域的影响。
8月28日Hugging Face Blog模型开源/仓库评测/基准精选评分 67

8月27日星期四周四

GLM-5.3-Flash：Z.ai开源320B/18B MoE模型，Stability AI融资7600万美元
8月27日Deep Learning Weekly模型模型发布开源/仓库评分 45
Weaviate 1.39 版本发布：新功能与性能提升
8月27日Weaviate Vector DB Blog产品产品更新开源/仓库评分 45
LangChain 发布 2024 年 AI 状态报告
推荐理由：LangChain 2024 年报告揭示了 AI 生态系统的演变趋势，包括开源模型采用率的显著增长和从检索工作流到多步骤智能体应用的转变。报告提供了丰富的数据和分析，有助于读者了解当前 AI 应用开发的现状和趋势。
8月27日LangChain Blog产品产品更新 Agent精选评分 67
Podium 使用 LangSmith 优化智能体行为，减少工程干预 90%
8月27日LangChain Blog产品产品更新教程/实践评分 45
LangSmith 引入自我改进的 LLM 评估系统
推荐理由：LangSmith 引入了一种自我改进的评估系统，通过少量样本学习和用户反馈，实现 LLM 评估与人类偏好的对齐，提高了评估效率和准确性。
8月27日LangChain Blog模型产品更新 Agent精选评分 65
OpenWiki 与 WikiBench 评测：开源代码文档智能体性能分析
8月27日LangChain Blog模型模型发布评测/基准评分 40

8月25日星期二周二

Anthropic 与 OpenAI 将在 2028 年控制全球大部分计算能力
8月25日Dwarkesh Patel观点大佬观点行业动态评分 45

8月24日星期一周一

Hot Chips 2026：高带宽闪存（HBF）在机器学习工作负载中的应用探讨
8月24日Chips and Cheese模型模型发布开源/仓库评分 45

8月22日星期六周六

开源模型能否迎头赶上？
8月22日SemiAnalysis模型论文/研究 Agent评分 70

8月21日星期五周五

FLUX Upscale：视频超分辨率工具发布，OpenAI 暂停 Astra 模型开发
8月21日Deep Learning Weekly论文论文/研究开源/仓库评分 35
Olmo 3：如何追踪语言模型的社会推理根源
8月21日Ai2论文模型发布开源/仓库评分 45
GLM-5.3 与 Claude Fable 5 在 DeepSWE 上的比较：成本、编码和路由
8月21日Together AI评测/基准模型发布评分 40
测量语音识别基准优化
推荐理由：原文通过实验揭示了语音识别模型在基准测试中的优化行为，对模型选择和评估有重要意义。
8月21日Hugging Face Blog论文论文/研究语音精选评分 65

8月18日星期二周二

Olmo 3 模型研究：从药物名称推断药物类别而非知识
8月18日Ai2论文模型发布论文/研究评分 45
Claude Code：从「同事.skill」到「人生系统」，两位 Builders 的 AI 实验之旅
8月18日elsewhere观点教程/实践开源/仓库评分 45

8月17日星期一周一

Together AI 平台实现生产环境中 LLM 的 A/B 测试
8月17日Together AI产品产品更新评测/基准评分 42
DeepSeek V4 Pro 0813 与 Claude Fable 5 在 DeepSWE 上的比较：成本、编码和路由
8月17日Together AI评测/基准模型发布评分 45

8月14日星期五周五

vLLM 的自适应验证：DSpark 的信心调度验证
8月14日vLLM Team Blog模型模型发布开源/仓库评分 40

8月13日星期四周四

Grok 4.6 发布：xAI 推出针对长运行智能体和交互式构建的模型，与 GPT-5.6 比肩
8月13日Deep Learning Weekly模型模型发布开源/仓库评分 45

8月12日星期三周三

Synopsys 与芯片设计物理学的对话：3DIC 与热管理挑战
8月12日Chips and Cheese行业行业动态现象/趋势评分 35
Ryan Greenblatt 讨论AI自动化研究：递归自我改进的可能性
8月12日Dwarkesh Patel观点大佬观点评测/基准评分 45