AI Stack

TAGS / TERM

AI评测

共 9 篇

  1. GLM 5.2基准测试超越Claude 2026-06-28 · HACKER_NEWS
  2. VendingBench作者谈Claude模型评估体系构建 2026-06-04 · BLOGS_PODCASTS
  3. CREATE基准：测试大语言模型的联想创造力 2026-03-12 · ARXIV
  4. 面向大模型的1v1编程对战游戏 2026-03-07 · HACKER_NEWS
  5. PA基准：评估Web智能体在真实个人助理工作流中的表现 2026-02-26 · HACKER_NEWS
  6. Anthropic 发布 METR 数据集研究 AI Agent 自主性 2026-02-19 · BLOGS_PODCASTS
  7. GPT-5在法律推理实验中表现优于联邦法官 2026-02-12 · HACKER_NEWS
  8. OTelBench评测：Opus 4.5在简单SRE任务中得分仅29% 2026-01-29 · HACKER_NEWS
  9. OTelBench评测：Opus 4.5在简单SRE任务中得分仅29% 2026-01-29 · HACKER_NEWS