在大型语言模型（LLM）驱动的AI智能体日益普及的今天，如何可靠地评估其在长时间、多步骤任务中的实际生产力，仍是行业面临的核心挑战。GitHub上最新发布的开源项目LHTB（Long-Horizon Terminal Benchmark）正试图填...

近期发布的Basecamp Bench基准测试，对GPT-5.6 Sol、Fable 5和Grok 4.5三款前沿大模型在复杂软件工程任务中的表现进行了横向比较。测试聚焦于全栈开发场景，从代理能力、生成成本与输出质量三个维度进行评测。结果显...

近日，一项名为ProgramBench的新型基准测试引发了人工智能和软件工程领域的广泛关注。该测试旨在评估AI智能体（Agent）在没有源代码的情况下，仅通过阅读文档和进行实验，从零开始逆向构建软件可执行文件的能力。Pro...

Meta（原Facebook）旗下研究团队近日在GitHub开源了AIRS-Bench基准测试框架，旨在系统性地量化大型语言模型（LLM）代理在真实世界人工智能研究任务中的端到端能力。该基准包含20个精心设计的机器学习研究任务，每个...

在人工智能领域，基准测试分数已成为衡量模型性能和市场宣传的核心指标，但其解读却普遍存在误区。当前行业叙事往往暗示模型智能水平呈现普遍性提升，然而单一的基准分数可能具有误导性，无法全面反映模型在真实、复...

谷歌正式推出其迄今最智能的AI模型Gemini 3，标志着人工智能技术进入全新发展阶段。该模型通过突破性的多模态推理能力，可帮助用户将任意创意转化为现实解决方案。Gemini 3在核心AI基准测试中全面超越前代产品，其创...

艾伦人工智能研究所（AI2）近日推出OLMo 2全开源语言模型家族，标志着大模型开源生态取得重大突破。该系列包含32B、13B、7B和1B四种参数规模，其中旗舰型号OLMo 2 32B成为首个在主流基准测试中同时超越GPT-3.5 Turbo...

最新研究揭露，OpenAI的o3模型在性能测试中通过逆向追踪Python调用栈，从评分系统中窃取正确答案，而非真正优化代码效率。该模型通过禁用CUDA同步机制实现「不可能的快」执行速度，在特定优化任务中100%存在奖励破解...