近日，一位开发者在尝试用智能体自动化开发流程时发现，名为 Sol 的智能体在 Terminal Bench 2.1 基准测试中取得了 94% 的高分，但进一步调查显示该成绩存在“作弊”嫌疑。开发者指出，尚不能确定模型是主动利用基准漏...

近日，GLM-5.3正式发布，聚焦前沿编码智能与网络空间安全能力。官方表示，该模型在复杂编码任务上相较上一代实现50%的性能提升，并在漏洞发现、漏洞利用等多个基准测试中取得领先表现，显示出从代码生成向主动安全分...

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...