#模型测试

共 15 条 · 7 天 0 条 · 30 天 4 条

Astra 2 OpenAI 2 ai-models 1 AI安全 1 Anthropic 1 Arena 1 artificialanalysis 1 Blender 1

信息流里打上「模型测试」标签的资讯、产品与论文，按刊登时间排，新的在上。

9月30日

模型 Agent 与开发者多源确认83°23:30

Claude Sonnet 5.5 在 Arena 限时开放测试

Anthropic 在 Arena 开放 Sonnet 5.5 限时测试，速度更快成本更低，想体验的抓紧时间。

#Claude #Sonnet 5.5 #Anthropic #Arena

lmarena.ai@lmarena_ai11 个信源在谈原文

9月22日

PEON 方法：用概率本体建模运行设计域，让 AI 系统测试有统计依据

搞自动驾驶或列车感知测试的可以看看：PEON 把运行设计域建成概率模型，能自动采出代表性测试用例，还给出何时能停测的判据。

#PEON #运行设计域 #贝叶斯网络 #模型测试

arXiv cs.LG@Hans-Werner Wiesbrock原文

9月10日

产品中美对照多源确认73°23:52

OpenAI免费开放GPT-Image-2.5 Sunburst

OpenAI免费开放GPT-Image-2.5 Sunburst模型，体验最新的图像生成技术，无需付费！

#OpenAI #GPT-Image-2.5 Sunburst #图像生成 #模型测试

lmarena.ai@lmarena_ai11 个信源在谈原文

模型 Agent 与开发者多源确认78°00:24

OpenAI 限时开放 GPT-6 Astra 测试

OpenAI 限时开放 GPT-6 Astra 测试，想提前体验新模型的朋友别错过。

#GPT-6 #Astra #OpenAI #模型测试

lmarena.ai@lmarena_ai11 个信源在谈原文

9月7日

技巧 Agent 与开发者多源确认精选01:56

Blender成新视频生成测试基准

VB展示了用Blender测试视频生成模型的新方法，比传统测试更直观。

#Blender #Rickroll #Astra #视频生成

宝玉@dotey11 个信源在谈原文

8月27日

论文多源确认精选01:43

ExtractBench测试20+模型文档提取

ExtractBench最新测试了20多个模型，Qwen 3.8模型表现抢眼，新版本GLM-5.3-flash和qwen 3.8 flash也值得关注。

#ExtractBench #文档提取 #模型测试 #Qwen 3.8

Jerry Liu@jerryjliu011 个信源在谈原文

8月22日

论文精选15:13

AI安全测试心理方法揭示重大缺陷

英国AI安全研究所用心理测量法揭示了AI安全测试的缺陷，值得一读。

#AI安全 #心理测量法 #语言模型 #安全基准

官方账号Decoder@Jonathan Kemper原文

Firecrawl基准测试开放自测

Firecrawl基准测试开放，自己动手测试一下，看看你的模型表现如何！

#Firecrawl #基准测试 #GitHub #模型测试

Firecrawl@firecrawl_dev原文

8月19日

artificialanalysis.ai模型在GLUE基准测试获154分

artificialanalysis.ai发布了最新模型测试数据，能直接查看各模型在GLUE的分数，和之前版本比信息更全了。

#artificialanalysis #GLUE #模型测试 #基准

Philipp Schmid@_philschmid原文

7月9日

模型中美对照72°03:59

Grok 4.5 在 Battle Mode 和 Agent Mode 中开放测试，分数即将公布

想试试 Grok 4.5 的新能力？现在去 arena.ai 就能直接玩上对战模式和智能体模式，分数很快会出，先测为快。

#Grok 4.5 #xAI #智能体 #模型测试

lmarena.ai@lmarena_ai原文

6月24日

模型中美对照多源确认13:09

Anthropic Mythos 模型数小时检出美国政府机密系统漏洞

Anthropic的Mythos模型能快速找到政府机密系统漏洞，而且只用了几个小时，不是几个星期。想了解最新AI安全测试成果的可以看看。

#Anthropic #Mythos #AI安全 #漏洞检测

IT之家8 个信源在谈原文

6月22日

开发者调整本周计划测试新模型并参加字节火山大会

看到一位开发者真实的周计划，有模型测试、开源项目，还有孩子升学，挺接地气的。

#vista8 #字节火山引擎 #开源项目 #模型测试

向阳乔木@vista82 个信源在谈原文

6月17日

论文中美对照多源确认精选23:30

OpenAI研究人员提出预测模型发布后失效率的方法

OpenAI研究者搞了个预测模型出错率的方法，能补上安全测试的漏洞，让发布更靠谱。

#OpenAI #AI安全 #模型测试 #预测方法

官方账号Decoder@Maximilian Schreiner9 个信源在谈原文

6月3日

行业多源确认10:55

Anthropic Opus 4.8 被指拿用户当小白鼠，偷偷修 bug 后舆论反转

这条吐槽戳中了 AI 模型发布「先上线再修 bug」的行业潜规则，如果你是重度使用 Claude 的开发者或团队，看完会明白为什么同一模型前后体验差异巨大——建议点开了解背后的不公平逻辑。

#Anthropic #Opus 4.8 #模型测试 #用户反馈

Yangyi@Yangyixxxx11 个信源在谈原文

5月21日

Google AI Studio 移动版即将上线，随时随地构建 AI 想法

移动端 AI 开发终于来了——Google AI Studio 的移动版让开发者可以在手机上随时调试模型和提示词，做 AI 原型验证的团队值得关注，出门在外也能继续工作。

#Google AI Studio #移动应用 #AI 开发 #提示词调试

Patrick Loeber@patloeber原文