模型评测 相关的 AI 工具

站内和「模型评测」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
Featured
2026年11月10日

Claude Fable 5.2 / Mythos 5.2 发布:1000 个 Agent 花 30 小时证完费马大定理,价格还降了两成

Anthropic 11 月 9 日发布 Fable 5.2 与 Mythos 5.2:输出快 30%、价格从 $10/$50 降到 $8/$40,FrontierCode 2.0 拿下 49.1%(Opus 5.5 为 45.5%)。预发布测试里 1000 个 Agent 用 30 小时完成了费马大定理的形式化证明,Opus 5.5 在同样设置下 18 小时只做到 26%。同一周,公司 IPO 定在 11 月 16 日当周。

#Anthropic #Claude #Fable 5.2 #Mythos 5.2
阅读全文
2026年11月10日

Meta Muse Ember 发布:每百万 token 输入 0.10 美元,同样聪明的模型成本只剩三分之一

Meta 11 月 9 日发布 Muse Ember:$0.10/$0.50 每百万输入输出 token,缓存输入 $0.004,1M 上下文、512K 输出、原生多模态。Artificial Analysis 上它与 Claude Haiku 5.5 同为 36 分左右,但每个任务只花 $0.14,Haiku 要 $0.41;企业工作流类评测 AutomationBench-AA 上 37.8% 对 13.9%。

#Meta #Muse Ember #小模型 #推理成本
阅读全文
2026年10月30日

Mistral Large 4「Le Chonk」权重正式开源:1 万亿参数、价格腰斩,Terminal-Bench 从 28% 跳到 41%

Mistral 10 月 29 日兑现承诺,放出 Mistral Large 4 权重(Hugging Face + API + OpenRouter)。改进版激活参数 49B、1M 上下文,经追加强化学习后 Terminal-Bench 4.0 从 28.3% 跳到 41%,任务 token 用量比 GLM-5.3 少 47%,登顶开源模型 Coding Agent Index。API 价从预览 $1.36/$4.18 降至 $0.70/$2.10 每百万 token。

#Mistral #开源权重 #MoE #主权 AI
阅读全文
2026年10月8日

Mistral Large 4「Le Chonk」:1 万亿参数、3800 张自训 GPU,欧洲把开源权重押成主权牌

Mistral 10 月 6 日发布 Mistral Large 4 公开预览:1 万亿参数、520 亿激活的原生多模态 MoE,在 3800 张 NVIDIA Grace Blackwell 上于自有欧洲数据中心从零训练,权重月底放出。网络安全基准上「复现并修补真实漏洞」拿到 82%,官方称为全场最高——Claude Opus 5.5 与 GPT-6 Astra 因拒绝执行而接近 0 分。

#Mistral #开源权重 #MoE #主权 AI
阅读全文
2026年10月6日

Reflection AI 开源 501B 的 Beam:23B 激活、1/3 推理算力,西方开源权重的正面回应

英伟达投资的 Reflection AI 于 10 月 5 日发布首个开源权重模型 Beam:稀疏 MoE,501B 总参数只激活 23B,23.8T token 预训练、1 亿次 RL rollout。官方称推理能力接近 GLM-5.2 而推理算力只要 1/3 至 1/4,但自家对比表里多数编程任务仍落后 GLM-5.3、Kimi K3 与 DeepSeek V4.1 Flash;权重按 Apache 2.0 本月晚些放出。

#Reflection AI #开源权重 #MoE #模型评测
阅读全文
2026年9月22日

Grok 4.7 发布:智能只涨 2 分,思考量翻了 2.5 倍,单任务成本翻倍到 $3.74

SpaceXAI 于 9 月 21 日发布 Grok 4.7,官方称「相比 Grok 4.6 显著提升,价格与速度相同」。但 Artificial Analysis 的独立评测给出了另一半事实:智能指数 46 分(4.6 是 44),速度却从 60.4 掉到 38.8 token/秒,评测中生成的 token 从 94M 涨到 240M,每个任务的成本从 $1.86 翻到 $3.74。同一天,小米把同分位的开源模型以约 1/20 的价格开了出来。

#Grok #SpaceXAI #xAI #推理模型
阅读全文

Nearby

相邻标签