Opus 5在与前代模型对比中暴露出一个值得关注的问题：它需要更多人工监督，且在模糊场景下不再主动追问澄清，导致真实任务中的协作效率下降。分析认为，这一变化并非单纯的能力退化，而是当前AI系统开发过度以基准测...

人工智能研究公司Pathway近日获得3000万美元种子轮融资，投后估值达到5亿美元。该公司正在开发基于其称为“Post-Transformer”（后Transformer）的BDH架构AI模型，这一路线被外界视为对当前主流Transformer架构的探索...

一项针对60个广泛使用的大语言模型基准的系统性研究发现，其中29个已经达到饱和状态，意味着当前顶尖模型在这些测试上的表现已无统计学上的显著差异，无法有效区分模型能力。研究指出，基准测试的年龄和测试集规模是...

开源代码审查工具PR-AF在权威基准测试Code-Review-Bench的42款工具中冲至第2名，以显著优势领先成熟的商业方案，且单次审查成本仅为后者的十分之一。该工具的核心创新在于其“审查管线”架构：它会为每个Pull Request...

Epoch AI推出了名为MirrorCode的基准测试，专门用于评估人工智能在长周期编程任务中的自主重写能力。该基准要求AI模型在完全无法访问原始源代码的情况下，从零开始重新实现完整的软件程序，以此衡量AI在复杂、持续性...

在大语言模型竞争日益激烈的当下，如何科学、标准化地衡量不同规模模型的能力上限正成为一个核心议题。Prime Radiant公司近日开源的smevals评估框架正是瞄准了这一痛点，它提供了一套轻量且专为小模型和大模型运行基...

一项针对生命科学临床与监管场景的基准测试ClinReg显示，开源权重大语言模型在准确率上已追平顶尖闭源模型。测试中，GLM 5.2、Kimi K3等开源模型在监管和临床任务上的表现与GPT 5.6 Sol等商业模型的差异落在一个标准...

人工智能初创公司 Liquid AI 近日发布了全新的 LFM2.5-Encoders，这是一系列专门为在 CPU 上执行高效文档级推理而设计的编码器模型。随着企业级应用对长文本处理的需求激增，摆脱对昂贵 GPU 的依赖、实现低成本的边...