AI Stack

TAGS / TERM

基准测试

共 187 篇

  1. AI智能体能否识别简单任务：复杂度感知推理与执行 2026-07-15 · ARXIV
  2. Apple语音分析API与Whisper基准测试对比 2026-07-13 · HACKER_NEWS
  3. UniClawBench：主动代理真实任务通用基准 2026-07-12 · ARXIV
  4. UniClawBench：面向真实世界任务的主动代理通用基准 2026-07-10 · ARXIV
  5. 深度原生结构推理实现结构性能透明理解 2026-07-09 · ARXIV
  6. GLM 5.2基准测试超越Claude 2026-06-28 · HACKER_NEWS
  7. VLM游戏智能体UE5统一基准测试平台 2026-06-09 · ARXIV
  8. VendingBench作者谈Claude模型评估体系构建 2026-06-04 · BLOGS_PODCASTS
  9. 从稳定性与可塑性视角评估参数高效微调：PEFT-Arena平台 2026-05-28 · ARXIV
  10. Amazon Bedrock AgentCore数据集管理实现随代理扩展的测试套件 2026-05-28 · BLOGS_PODCASTS
  11. 五大LLM千条事实核查67%结果不一致 2026-05-28 · HACKER_NEWS
  12. Amazon Nova 2内容审核提示词工程实战指南 2026-05-19 · BLOGS_PODCASTS
  13. Amazon Nova 2 Lite内容审核提示设计方法 2026-05-18 · BLOGS_PODCASTS
  14. AI评估正成为新的计算瓶颈 2026-04-29 · BLOGS_PODCASTS
  15. DeepSeek V4 Pro与Flash适配华为Ascend芯片 2026-04-26 · BLOGS_PODCASTS
  16. SpeechParaling-Bench：副语言学感知语音生成基准 2026-04-23 · ARXIV
  17. MathNet：全球多模态数学推理与检索基准 2026-04-21 · ARXIV
  18. QIMMA质量优先阿拉伯语LLM排行榜 2026-04-21 · BLOGS_PODCASTS
  19. ASMR-Bench：检测机器学习研究中的蓄意破坏行为 2026-04-21 · ARXIV
  20. ASMR-Bench：机器学习研究破坏行为审计基准 2026-04-20 · ARXIV
  21. MM-WebAgent层级式多模态代理的网页生成 2026-04-19 · ARXIV
  22. SPEED-Bench：推测解码的统一多样化基准 2026-03-19 · BLOGS_PODCASTS
  23. SocialOmni：全模态模型视听社交交互基准测试 2026-03-18 · ARXIV
  24. HorizonMath：自动验证技术衡量AI数学发现进展 2026-03-18 · ARXIV
  25. SciMDR：科学多模态文档推理基准测试与进展 2026-03-16 · ARXIV
  26. SciMDR：科学多模态文档推理基准与进展 2026-03-15 · ARXIV
  27. SciMDR：科学多模态文档推理基准测试与进展 2026-03-14 · ARXIV
  28. SciMDR：科学多模态文档推理基准与进展 2026-03-13 · ARXIV
  29. 英伟达AI-Q登顶DeepResearch Bench I与II榜单 2026-03-13 · BLOGS_PODCASTS
  30. Qodo在代码审查基准测试中超越Claude 2026-03-12 · HACKER_NEWS
  31. NVIDIA AI-Q登顶DeepResearch Bench I与II榜单 2026-03-12 · BLOGS_PODCASTS
  32. NVIDIA AI-Q登顶DeepResearch Bench I与II榜单 2026-03-12 · BLOGS_PODCASTS
  33. LLM 模型性能提升停滞的质疑与分析 2026-03-12 · HACKER_NEWS
  34. SWE-bench通过率存疑：多数通过测试的PR实际不会被合并 2026-03-12 · HACKER_NEWS
  35. NVIDIA AI-Q登顶DeepResearch Bench I与II榜单 2026-03-12 · BLOGS_PODCASTS
  36. SWE-bench通过率高的PR往往无法合并 2026-03-12 · HACKER_NEWS
  37. SWE-bench基准测试：多数通过评估的PR实际无法合并 2026-03-12 · HACKER_NEWS
  38. SWE-bench基准测试通过率与实际PR合并率存在偏差 2026-03-11 · HACKER_NEWS
  39. CREATE基准测试：评估大模型联想创造力 2026-03-11 · ARXIV
  40. 评估大语言模型金融智能：SuperInvesting AI基准测试 2026-03-11 · ARXIV
  41. 评估大语言模型金融智能：SuperInvesting AI基准测试 2026-03-10 · ARXIV
  42. 谷歌发布 Android Bench：Gemini-3.1 Pro 开发基准测试领先 2026-03-09 · JUEJIN
  43. SWE-CI：基于 CI 流程评估代码库维护的智能体能力 2026-03-08 · HACKER_NEWS
  44. AWS中国团队评估Nova Forge：VOC分类任务与开源模型基准对比 2026-03-04 · BLOGS_PODCASTS
  45. 多轮LLM系统模型切换性能漂移评估方法 2026-03-04 · ARXIV
  46. AWS中国团队评估Nova Forge：VOC分类任务性能实测 2026-03-04 · BLOGS_PODCASTS
  47. AWS中国团队评估Nova Forge：VOC分类任务与开源模型基准对比 2026-03-03 · BLOGS_PODCASTS
  48. AWS团队评估Nova Forge：VOC分类任务实测与开源模型对比 2026-03-03 · BLOGS_PODCASTS
  49. 基于大规模真实手写数学数据评估AI阅卷性能 2026-03-03 · ARXIV
  50. MC-Search：基于结构化长推理链的多模态智能体搜索评估与增强 2026-03-03 · ARXIV