基准测试 - 相关文章

AI 资讯

Google DeepMind 称四个 Gemini 4 智能体 27 小时通关…

admin 2026-10-21 268 次阅读

Google DeepMind 表示，四个 Gemini 4 智能体在简单难度下自主编写 2783 个程序，历时 27 小时通关 Minecraft，期间死亡 605 次，估计消耗价值 520 美元的 token。

基准测试智能体 DeepMind 游戏AI

阅读全文

AI 资讯

admin 2026-10-12 321 次阅读

开发者推出开源项目whatmodel，用户输入RAM和GPU即可查看本机可运行模型、排名与命令，并与API模型对比得分。

开源基准测试本地大模型排行榜

阅读全文

AI 资讯

admin 2026-10-07 371 次阅读

开发者构建 HieraticBench 基准，包含 268 个古埃及僧侣体项目，用于测试大模型识别与翻译古文字的能力，初步结果显示模型在真实文献上识别率尚可但解读准确率极低。

开源基准测试大模型评测古文字识别

阅读全文

AI 资讯

admin 2026-10-02 442 次阅读

Meta、斯坦福等机构研究者发布SWE-Sweep基准，覆盖100个代码库和4000个真实缺陷。测试显示最佳模型修复率仅4.7%，且成本高达7230美元，主动发现缺陷仍是难题。

开源基准测试 AI 智能体软件工程 SWE-bench

阅读全文

AI 资讯

admin 2026-09-28 470 次阅读

前安永团队推出开源基准FAB，测试AI智能体在财务尽职调查中的表现，发现其能查找事实但难以完成可靠分析。

开源 AI智能体基准测试金融科技

阅读全文