➡️
继续阅读
-
基准测试的意义差距
研究表明,当前编码基准测试存在“意义差距”,即基准分数与模型实际性能之间的差异。基准测试通常只反映特定任务的能力,而非全面的编码能力。为改善评估,建议使用...
-
本地模型在编码中的可行性
本文探讨了在本地运行生成模型进行编码的可行性,分析了影响模型性能的因素,如内存、处理器核心、模型参数和推理能力。尽管小型模型在工具调用上存在困难,但Qwe...
-
代理协调已经过时
文章讨论了现代AI代理的构建理念,指出以2024年的思维方式构建代理是错误的。随着模型在长期任务上的改进,过度的代理协调可能会降低模型性能。2026年的竞...
-
八大开源模型推理路径对比:GLM DeepSeek Qwen
八个主流大语言模型在解答同一道概率题时表现出显著的思维路径差异。GLM 5.2表现自信,修正较少;而DeepSeek V4 Pro则频繁自我怀疑,思维过程...
-
OpenAI发布GeneBench-Pro,在129个问题/10个领域内评估AI科研能力
GeneBench-Pro是一个新基准,用于评估智能体在多阶段统计推理中的能力,涵盖基因组学和药物基因组学等领域。该基准包含129个经过专家审查的问题,旨...
-
机器人视觉迎来新突破!蚂蚁灵波空间感知模型LingBot-Depth 2.0正式发布
蚂蚁集团旗下的灵波科技发布了空间感知模型LingBot-Depth 2.0,该模型基于1.5亿数据训练,显著提升了深度估计和物体识别能力,尤其在透明和反光...