AI Stack

TAGS / TERM

基准测试

共 187 篇

  1. UEval：统一多模态生成基准 2026-01-30 · ARXIV
  2. Claude Code 每日基准测试用于性能退化追踪 2026-01-30 · HACKER_NEWS
  3. Claude Code 每日基准测试用于性能退化追踪 2026-01-30 · HACKER_NEWS
  4. AGENTS.md 架构在智能体评估中超越 Skills 技能 2026-01-30 · HACKER_NEWS
  5. Claude Code 每日基准测试用于性能退化追踪 2026-01-30 · HACKER_NEWS
  6. Claude Code 每日基准测试用于性能退化追踪 2026-01-30 · HACKER_NEWS
  7. Claude Code 每日基准测试用于性能退化追踪 2026-01-30 · HACKER_NEWS
  8. Claude Code 每日基准测试：追踪性能退化 2026-01-30 · HACKER_NEWS
  9. Claude Code 基准测试：追踪每日性能退化 2026-01-30 · HACKER_NEWS
  10. AGENTS.md 架构在智能体评估中超越 Skills 技能 2026-01-30 · HACKER_NEWS
  11. 机器翻译评估中的跨向污染问题研究 2026-01-30 · ARXIV
  12. SokoBench：评估大模型长周期规划与推理能力 2026-01-30 · ARXIV
  13. Claude Code 每日基准测试用于性能退化追踪 2026-01-30 · HACKER_NEWS
  14. 机器翻译评估中的跨向污染问题研究 2026-01-29 · ARXIV
  15. SokoBench：评估大模型长程规划与推理能力 2026-01-29 · ARXIV
  16. Claude Code 每日基准测试：用于性能退化追踪 2026-01-29 · HACKER_NEWS
  17. OTelBench基准测试：Opus 4.5在简单SRE任务中得分仅29% 2026-01-29 · HACKER_NEWS
  18. Claude Code 每日基准测试：追踪模型性能退化 2026-01-29 · HACKER_NEWS
  19. Claude Code 每日基准测试用于性能退化追踪 2026-01-29 · HACKER_NEWS
  20. Claude Code 每日基准测试用于性能退化追踪 2026-01-29 · HACKER_NEWS
  21. Opus 4.5 在 OTelBench 基准测试中得分仅 29% 2026-01-29 · HACKER_NEWS
  22. Alyah：评估阿拉伯语大模型阿联酋方言能力 2026-01-29 · BLOGS_PODCASTS
  23. 💥MortalMATH：当推理目标遇上紧急场景，AI会“翻车”吗？ 2026-01-28 · ARXIV
  24. 🇦🇪 Alyah ⭐️：揭秘阿拉伯LLM方言鲁棒评估！ 2026-01-28 · BLOGS_PODCASTS
  25. MortalMATH：当推理目标遇上紧急语境，冲突何解？🧠🔥 2026-01-27 · ARXIV
  26. ⭐️Alyah：阿联酋方言能力评估！阿拉伯语LLM新突破！ 2026-01-27 · BLOGS_PODCASTS
  27. 🧠炸裂！Gemini Flash在俄罗斯大战Opus胜率66%！🚀 2026-01-27 · HACKER_NEWS
  28. 🚀AssetOpsBench：打破AI基准与工业现实的壁垒！🤝 2026-01-27 · BLOGS_PODCASTS
  29. AssetOpsBench：填补AI基准与工业现实的鸿沟！🤖🏭🚀 2026-01-27 · BLOGS_PODCASTS
  30. 🚀BONO-Bench：可追溯Pareto集的双目标优化基准测试！ 2026-01-27 · ARXIV
  31. ⚡️俄罗斯方块爆杀Opus！Gemini Flash胜率66%震撼实测🎮 2026-01-27 · HACKER_NEWS
  32. 🔥AssetOpsBench填平鸿沟！AI Agent基准测评如何真实落地工业场景？ 2026-01-27 · BLOGS_PODCASTS
  33. AssetOpsBench：打破AI Agent评测与工业现实的壁垒！🚀 2026-01-26 · BLOGS_PODCASTS
  34. AgentDrive：首个开放基准！🚗 LLM生成场景驱动Agent智能推理 2026-01-26 · ARXIV
  35. 🔥BONO-Bench震撼发布！首套可追溯Pareto集的双目标优化基准测试！ 2026-01-26 · ARXIV
  36. AssetOpsBench：AI Agent基准测试与工业现实鸿沟如何跨越？🤖🔥 2026-01-26 · BLOGS_PODCASTS
  37. AssetOpsBench：连接AI测评与工业现实！填补鸿沟🚀 2026-01-25 · BLOGS_PODCASTS