基准测试 相关的 AI 工具

站内和「基准测试」有关的 0 款工具、9 篇文章 。

相关文章

全部文章 →
Featured
2026年11月21日

OpenAI 造了个 99 题的制药基准:GPT-6.2 Astra 拿到 84.5% 的分,但「挑化合物」和「预测数值」只有一半

11 月 20 日 OpenAI 发布 MedChemBench:99 道题取自 117 篇论文与专利、涉及 761 个分子结构,考的是把分子结构和实验证据连起来做决策。xhigh 档 GPT-6.2 Astra 拿 84.5% 可得分(GPT-6 Astra 83.3%、GPT-6.1 Sol 82.0%、GPT-5.6 Sol 58.2%);但拆开看,结构重建 95.4%,选化合物与预测数值只有约一半。本文讲清它考什么、分数怎么算、以及这个基准证明不了什么。

#OpenAI #AI for Science #基准测试 #药物研发
阅读全文
2026年11月21日

腾讯把 7700 亿参数的 Hy4 权重全放出来:官方 12 张对比图里,它只在「操作电脑」这一项排第一

11 月 20 日腾讯混元放出 Hy4、Hy4-FP8 与 Hy4-base 权重,附系统卡、GGUF 与 vLLM/SGLang 官方 recipe(默认 TP=8)。770B 总参、单 token 激活 49B、1M 上下文、Gated DSA + IndexCache 注意力、3.3B DFly2 投机解码。但官方 12 张对比图里 Hy4 只有 OSWorld 2.1(81.8)第一,Terminal Bench 4.0 落后 Kimi K3.1 Pro 22 分,许可也不是 Apache。本文讲清能不能自己跑、这份榜单怎么读。

#腾讯 #混元 #Hy4 #开源权重
阅读全文
Featured
2026年11月20日

Gemini 4 Neon 发布:$3/$15 打到自家旗舰的 32%,四项基准却在三个地方输给 Opus 5.5

Google DeepMind 11 月 18 日发布 Gemini 4 Neon:100 万上下文、四档思考、$3/$15 且全窗口平价,Artificial Analysis 智能指数 xhigh 档 61 分排第三、Vals 指数 70.9% 排第二。但官方自己的对照表里,它在 Terminal-Bench 4.1、FrontierCode 2.0、Chartography 三项输给 Claude Opus 5.5 与 GPT-6.2 Sol。本文拆清三兄弟怎么选、xhigh 到底值不值、以及 12 月 1 日涨价前该不该锁 Carbon。

#Google #Gemini #模型发布 #定价
阅读全文
2026年11月4日

Kimi K3.1 Pro:2.8 万亿参数开源权重,1M 上下文,14 项基准 6 项第一,直逼 Claude Opus 5.5

月之暗面发布 Kimi K3.1 Pro:2.8 万亿总参 / 1040 亿激活 MoE、100 万 token 上下文、多模态,权重承诺 11 月 4 日放出。自测 14 项基准 6 项第一,Terminal-Bench 4.0 65.7% 高于 GPT-6 Astra、仅落后 Opus 5.5;短板是科学计算。第三方智能指数 55 排第四。

#月之暗面 #Kimi K3.1 Pro #开源权重 #MoE
阅读全文
2026年11月3日

Gemini 4 Carbon:Google 把最强模型先交给网络防御者,三项安全基准全领先

Google 10 月 28 日发布新一代前沿模型 Gemini 4 Carbon,主打网络安全防御:SEC-bench Pro 88.2%(找漏洞)、ExploitGym 54.8%(漏洞利用)、CWE-bench 71.0%(打补丁),均超过 GPT-6 Astra 与 Claude Opus 5.5;内部测试生成安全代码成功率是 Argon 的 2 倍多,提示注入攻击成功率 0.0%。目前只通过 Fairwind Program(650+ 机构)向受信防御者开放,定价 $2/$10 每百万 token 起步、后期翻倍。

#Google #Gemini 4 Carbon #前沿模型 #网络安全
阅读全文
2026年10月13日

Meta 首款前沿模型 Muse Wonder 全解:记忆与编码领先,总榜仍差 2 分

Meta Superintelligence Labs 于 10 月 12 日发布首款前沿模型 Muse Wonder 与 Muse Wonder Full:100 万 token 上下文、$4/$20 定价、14 个月从轻量 Muse Spark 走到前沿。官方自测在记忆与编码上领先(MemoryBench 85.6、DeepSWE 79.0),但通用指数与终端编码仍落后 Claude Opus 5.5,且最强版 Wonder Full 不进 API。

#Meta #Muse Wonder #前沿模型 #基准测试
阅读全文
2026年9月5日

Meta Muse Spark 1.3 发布:5 个月第 4 次迭代追平 GPT-5.6 Sol,编码与长上下文领先、Agent 却一场未胜

9 月 2 日 Meta 发布 Muse Spark 1.3:已开放的 xhigh 档在第三方智能指数拿到 61 分,追平 GPT-5.6 Sol(max)与 Grok 4.6;限量预览的 max 档 62 分,仅次于 Claude Fable 5.1 与 Opus 5。DeepSWE 75.4 登顶、MRCR 长上下文 98.1 断层领先,但 Meta 自家 11 项对比表里 Agent 类 6 项全负——「偏科的前沿模型」到底能不能打?

#Meta #Muse Spark #大模型 #AI编程
阅读全文

Nearby

相邻标签