AI Stack

TAGS / TERM

基准测试

共 187 篇

  1. Gemini 3.1 Pro 发布：ARC-AGI 2 得分达 3.0 两倍 2026-02-23 · BLOGS_PODCASTS
  2. OpenAI提出SWE-Bench-Dead：智能体前沿评估的下一步 2026-02-23 · BLOGS_PODCASTS
  3. 53 款模型参与“洗车”基准测试 2026-02-23 · HACKER_NEWS
  4. SWE-bench Verified 数据污染严重，推荐使用 SWE-bench Pro 2026-02-23 · BLOGS_PODCASTS
  5. Gemini 3.1 Pro发布：ARC-AGI 2评测分数达3.0两倍 2026-02-23 · BLOGS_PODCASTS
  6. Gemini 3.1 Pro发布：ARC-AGI 2得分达3.0两倍 2026-02-23 · BLOGS_PODCASTS
  7. Gemini 3.1 Pro发布：ARC-AGI 2得分达3.0两倍 2026-02-23 · BLOGS_PODCASTS
  8. Gemini 3.1 Pro 发布：ARC-AGI 2 得分达 3.0 两倍 2026-02-23 · BLOGS_PODCASTS
  9. Gemini 3.1 Pro发布：ARC-AGI 2评测分数达3.0两倍 2026-02-22 · BLOGS_PODCASTS
  10. Gemini 3.1 Pro发布：ARC-AGI 2得分达3.0两倍 2026-02-21 · BLOGS_PODCASTS
  11. 谷歌Gemini 3.1 Pro发布：ARC-AGI 2测试性能达3.0两倍 2026-02-21 · BLOGS_PODCASTS
  12. Anthropic 发布自主智能体 METR 基准测试数据 2026-02-20 · BLOGS_PODCASTS
  13. Anthropic 公布 Agent 自主性研究及 METR 基准数据 2026-02-20 · BLOGS_PODCASTS
  14. Anthropic 发布自主智能体 METR 基准测试数据 2026-02-20 · BLOGS_PODCASTS
  15. Gemini 3.1 Pro发布：ARC-AGI 2得分达3.0两倍 2026-02-20 · BLOGS_PODCASTS
  16. 评估2025年中期LLM辅助对生物学初学者表现的影响 2026-02-19 · ARXIV
  17. Anthropic 公布 METR 数据评估 Agent 自主能力 2026-02-19 · BLOGS_PODCASTS
  18. IBM与UC Berkeley发布IT-Bench及MAST：诊断企业Agent失败原因 2026-02-19 · BLOGS_PODCASTS
  19. IBM与加州大学伯克利分校发布IT-Bench与MAST诊断企业智能体失败原因 2026-02-19 · BLOGS_PODCASTS
  20. IBM联合UC Berkeley发布IT-Bench与MAST：诊断企业智能体失败原因 2026-02-19 · BLOGS_PODCASTS
  21. IBM与UC Berkeley发布IT-Bench及MAST诊断企业智能体失败原因 2026-02-19 · BLOGS_PODCASTS
  22. IBM与UC Berkeley发布IT-Bench及MAST诊断企业智能体失败原因 2026-02-18 · BLOGS_PODCASTS
  23. IBM与UC Berkeley利用IT-Bench和MAST诊断企业智能体失败原因 2026-02-18 · BLOGS_PODCASTS
  24. SkillsBench 论文解读：跨任务基准测试如何揭示 Agent 技能的实际效用 2026-02-18 · JUEJIN
  25. SkillsBench论文：评估Agent技能在多任务中的实际效用 2026-02-17 · JUEJIN
  26. 评测 AGENTS.md：对编程 AI 智能体的实际效用分析 2026-02-17 · HACKER_NEWS
  27. SkillsBench：评估智能体技能在多样化任务中的表现基准 2026-02-17 · HACKER_NEWS
  28. Z.ai发布GLM-5开源模型，性能超越Opus 4.5 2026-02-17 · BLOGS_PODCASTS
  29. Z.ai GLM-5：开放权重新一代SOTA大模型 2026-02-14 · BLOGS_PODCASTS
  30. OpenEnv 实践：评估真实环境中的工具调用智能体 2026-02-13 · BLOGS_PODCASTS
  31. 仅更换测试框架，一下午提升15个大模型代码能力 2026-02-13 · HACKER_NEWS
  32. OpenEnv 实战：评估真实环境中的工具调用智能体 2026-02-13 · BLOGS_PODCASTS
  33. OpenEnv实践：评估真实环境中的工具调用智能体 2026-02-13 · BLOGS_PODCASTS
  34. 仅调整框架，一下午提升15个大模型编程能力 2026-02-13 · HACKER_NEWS
  35. GENIUS：生成式流体智能评估套件 2026-02-13 · ARXIV
  36. OpenEnv实践：评估真实环境中的工具调用智能体 2026-02-12 · BLOGS_PODCASTS
  37. Z.ai发布GLM-5开源模型：性能超越Opus 4.5 2026-02-12 · BLOGS_PODCASTS
  38. MiniMax M2.5 发布：SWE-bench Verified 得分 80.2% 2026-02-12 · HACKER_NEWS
  39. MiniMax M2.5 发布：SWE-bench Verified 得分 80.2% 2026-02-12 · HACKER_NEWS
  40. Z.ai GLM-5开源：性能超越Opus 4.5 2026-02-12 · BLOGS_PODCASTS
  41. GEBench：将图像生成模型评估为GUI环境的基准 2026-02-11 · ARXIV
  42. GEBench: Benchmarking Image Generation Models as GUI En 2026-02-10 · ARXIV
  43. BioTradingArena：预测生物科技股走势的LLM基准 2026-02-06 · HACKER_NEWS
  44. BioTradingArena：用于评估LLM预测生物科技股票走势的基准 2026-02-06 · HACKER_NEWS
  45. CRoSS：面向可扩展强化学习的持续机器人仿真套件 2026-02-06 · ARXIV
  46. 面向真实场景的AI代码审查基准测试 2026-02-05 · HACKER_NEWS
  47. AI 代码审查的真实世界基准测试 2026-02-05 · HACKER_NEWS
  48. AI代码审查的真实世界基准测试 2026-02-04 · HACKER_NEWS
  49. UEval：统一多模态生成基准 2026-02-02 · ARXIV
  50. UEval：统一多模态生成基准 2026-01-31 · ARXIV