MiniMax (official)@MiniMax_AIAI 评分 20/100
全部 AI 动态
标签「评测/基准」清除
已加载 40 条
全部 AI 动态
2026年8月26日星期三 · AI 相关资讯全量信息流
观点 · 标签「评测/基准」 · 225 条清除
8月26日
07:54
MiniMax (official)@MiniMax_AI03:48
Every：最新文章（网页）
AI 评分 22/100
01:56
EleutherAI：Blog
AI 评分 37/100
EleutherAI 在 Aletheia's Quest 项目中构建了黑盒与白盒两类 AI 欺骗检测器，并分享了过程中的关键经验。项目聚焦于识别模型输出中的不实信息，其方法覆盖了从外部行为观察到内部机制分析的不同路径。回顾总结了检测器在实际应用中的局限与未来改进方向。
8月25日
22:18
15:16
elsewhere：文章（RSS）
AI 评分 5/100
8月24日
22:38
a16z：News（RSS）
AI 评分 56/100
医疗 AI 面临“预言机问题”：临床决策主观、底层数据不透明、评测易沦为营销，导致医院难以客观评估模型优劣。OpenAI 报告每周超 3 亿人用 ChatGPT 咨询健康问题，2026 年每百万条病历中约 1,686 条记录患者对模型回答的追问。a16z 正与 Protege 合作，试图通过追踪患者长期结局来解决这一评估难题。
00:48
elvis@omarsar0AI 评分 34/100
用特定测试框架评测模型的方式已失效，应转向Pi、Hermes Agent等最小化标准框架，并保持长期稳定。模型未来或能按任务动态生成测试框架，使框架如同系统提示词般可调，评测将愈发复杂。
We need to normalize measuring and judging models against a standardized test harness "Oh but model X performs best in t...
8月23日
23:18
fofr@fofrAIAI 评分 25/100
8月22日
22:48
凡人小北@frxiaobeiAI 评分 29/100
You don't always need a frontier model. A recent benchmark found that Gemma 4 31B matches Sonnet 5 on answer quality at ...
11:18
gabriel@gabriel1AI 评分 18/100
8月21日
16:48
Chubby♨️@kimmonismusAI 评分 35/100
I ran this thing through 10 tasks on DeepSWE (so there could be a ton of variance in it's real score, this is a subset),...
8月20日
19:44
阑夕@foxshuoAI 评分 48/100
国产大模型年中上新收官，Kimi K3与GLM-5.3以60分并列T1阵营，紧咬GPT-5.6和Claude Opus 5。GLM-5.3仅靠后训练迭代，不动基座架构。T2档为58分Qwen3.8 Max、53分DeepSeek-V4-Pro；Qwen全系今年在Hugging Face被下载超20亿次。
8月18日
18:07
Artificial Intelligence News（RSS）
AI 评分 46/100
智谱在 GLM-5.3 发布说明中自述，其网络安全能力“增长最快的恰恰是我们最落后的地方”。这家以 Z.ai 名义运营的北京公司，是少数几家发布可与海外模型竞争的中国实验室之一。该表态揭示了其在安全短板上的追赶策略，而非仅关注基准测试的头条分数。
15:54
karminski-牙医@karminski3AI 评分 24/100
DeepSeek V4 Pro 果然是训歪了 便宜好几倍的 V4 Flash 比 Pro 强 推理强度更低的 V4 Pro High 比 Pro Max 强 不过目前写作能力方面文风还是 V4 Pro 好一些 但也跟 Opus 4.6 天壤...
15:22
AYi@AYi_AInotesAI 评分 48/100
阿里 Qwen 开源 Qwen3.8-27B，在 Artificial Analysis Intelligence Index 拿下 52 分，与 DeepSeek V4 Pro（53 分）、GPT-5.6 Luna（52 分）等闭源旗舰同级，成为首个达到前沿能力的本地模型。
Artificial Analysis Intelligence Index puts Qwen3.8-27B at DeepSeek V4-Pro and GPT 5.6 Luna performance. This is the fir...
8月17日
01:53
Ethan Mollick@emollickAI 评分 36/100
8月14日
20:22
karminski-牙医@karminski3AI 评分 51/100
GLM-5.3 在 Terminal Bench 3.0 测试中分数翻了6倍，引发关注。该基准测试任务难度高，如 exam-pdf-eval 需模型调用第三方 VLM 并自行编写 prompt 完成闭环验证。博主推测 GLM-5.3 在复杂真实环境下的架构规划能力将非常强，并预告稍后带来实测。
8月13日
18:21
Rohan Paul@rohanpaul_aiAI 评分 43/100
Kimi K3 (Max) 在 Code Arena: WebDev 中以 1674 分领先 DeepSeek-V4-Pro (Max) 的 1607 分，但后者输入/输出价格分别便宜约 6.9 倍和 17.2 倍。
Big news: DeepSeek-V4-Pro (Max) by @deepseek_ai is coming in around ~#8 overall (#2 among open models) in the Code Arena...
01:18
Elon Musk@elonmuskAI 评分 29/100
Absolute Pareto dominance for Grok and Cursor even after the OpenAI price cuts:
8月11日
13:14
Hacker News 热门（buzzing.cc 中文翻译）精选
AI 评分 70/100
针对“动态语言比静态语言更省 LLM token”的流行说法，作者用 GPT-5.6 Sol 让智能体实现 zstd 解码器进行实测。结果显示，medium 努力度下动态语言表现更好，ultra 下静态语言反而更优，且此前评测存在测试路径错误等缺陷。作者认为，琐碎任务上的性能无法推广到更大问题。
推荐理由：该实验将语言效率的讨论从微基准拉回实际工程任务，用Zstd和Pandoc实现揭示主流语言更可靠，可能改变开发者在AI辅助下选择技术栈时对动态语言优势的固有认知。
05:44
elvis@omarsar0AI 评分 35/100
LLM review weirdness... Just renaming an uploaded pdf from "paper.pdf" to "paper_final_draft_pdf_ready_for_review.pdf" b...
05:16
SemiAnalysis@SemiAnalysis_AI 评分 61/100
8月10日
03:43
dex@dexhorthyAI 评分 25/100
🦄New Ep alert - If you’ve been following along, I’m obsessed with a new benchmark out of UW called SlopCodeBench - the ...
02:14
fofr@fofrAIAI 评分 16/100
8月8日
13:42
Rohan Paul@rohanpaul_aiAI 评分 50/100
Exciting news: Muse Spark 1.2 (xHigh) by @AIatMeta is #4 in the Text Arena (1498 pts), and has reshaped the Pareto front...
05:57
Dongxi 东锡 NLP@dongxi_nlpAI 评分 52/100
DeepSeek V4 Flash from @deepseek_ai on ARC-AGI (Verified): - ARC-AGI-2: 61.4%, $0.04/task - ARC-AGI-1: 89.0%, $0.02/task...
8月7日
16:12
Qwen@Alibaba_QwenAI 评分 23/100
8.5 percentage points ahead of Gemini 3.5 Flash congrats to @Alibaba_Qwen !
8月6日
03:39
Artificial Analysis@ArtificialAnlysAI 评分 53/100
Artificial Analysis 显示，任务耗时帕累托前沿仅由两家实验室占据：2 分钟内的前沿模型全部来自 OpenAI，而 2 分钟以上的 6 个模型中 4 个来自 Anthropic。Kimi K3（max）因 Moonshot AI 首方 API 输出速度低，单任务耗时约 11 分钟。该图仅展示智能指数超 25 分的模型。
8月5日
15:35
Chubby♨️@kimmonismusAI 评分 49/100
I'm going to cancel Claude. It's just so bad, I can't believe it. It's just lazy. The most recent example: I have Claude...
10:06
elsewhere：文章（RSS）
AI 评分 20/100
Qwen 3.8 Max 升级为纯血力工模型，定位为适合执行实际任务的模型。此次升级聚焦于提升模型在具体工作场景中的实用性与执行能力。
8月4日
13:01
AYi@AYi_AInotesAI 评分 49/100
阿易 AI Notes 认为 AI 大模型将形成开源与闭源两大阵营，且开源联盟进步飞速。Frontend Code Arena 最新排名显示，前四名中三个是闭源旗舰，第四名是即将开源的 Qwen 3.8-Max。他用该模型独立写出了物理正确的 GLSL 实时光追黑洞，21 个参数可实时调整，零依赖双击即可运行。
诺兰新片《奥德赛》下周就要在中国上映了， 我用今天刚正式发布的一个国产大模型， 把他《星际穿越》里最封神的 Gargantua 黑洞， 直接写进了网页里。 不是贴个黑圈加光晕的五毛特效，是真的用 GLSL 实时光追算出来的。 当年诺兰找诺贝...
03:02
TechCrunch：AI（RSS）
AI 评分 69/100
Siri AI 已随 7 月发布的 iOS 27 消费者测试版上线，能理解个人上下文、调用世界知识回答问题，并支持自然对话、打字输入及独立应用。该功能由 Apple 与 Google 合作，利用 Gemini AI 模型训练自有 Apple Foundation Models，可在 Apple Silicon 和 Private Cloud Compute 上运行。
02:01
AYi@AYi_AInotesAI 评分 39/100
诺兰新片《奥德赛》下周就要在中国上映了， 我用今天刚正式发布的一个国产大模型， 把他《星际穿越》里最封神的 Gargantua 黑洞， 直接写进了网页里。 不是贴个黑圈加光晕的五毛特效，是真的用 GLSL 实时光追算出来的。 当年诺兰找诺贝...
8月3日
20:31
The Decoder：AI News（RSS）
AI 评分 42/100
Andrej Karpathy 让 Claude Opus 5 将《指环王》开头一段文字转化为 3D 浏览器场景，生成 5,500 行代码，耗时约两小时，花费约 10 美元。模型自主放置和动画化物体，但因只能通过截图检查视频输出而出现错误。Karpathy 认为这展示了按需生成廉价定制游戏世界的潜力，并称鹈鹕测试已接近上限，此类结果更多是氛围测试而非硬性基准。
18:01
Chubby♨️@kimmonismusAI 评分 38/100
Big news: Qwen3.8-Max by @Alibaba_Qwen just landed at #4 on the Frontend Code Arena leaderboard with a score of 1,668! W...
01:01
SemiAnalysis@SemiAnalysis_AI 评分 28/100
8月2日
16:31
Chubby♨️@kimmonismusAI 评分 41/100
Karpathy 提出用《指环王》首段测试 LLM 长程生成能力：给 Opus 5 100 万 token 预算（约 $10），它耗时约 2 小时写出 5500 行 Three.js 代码，程序化渲染整个故事。该测试考验模型跨数千行代码的连贯性与自我审查能力，但暴露了 LLM 无法高效感知视频或游戏内反馈的短板。
We're starting to leave the territory where you'd test an LLM by e.g. "create an svg of pelican on a bicycle". As one id...
04:31
dex@dexhorthyAI 评分 25/100
8月1日
01:06
Yuchen Jin@Yuchenj_UWAI 评分 53/100
7月30日
23:28
Ethan Mollick@emollickAI 评分 52/100
已加载 40 条