benchmark – 量子位

benchmark

Auto Research时代，47个没有标准答案的任务成了Agent能力必测榜

正式进入“迭代优化”时代

邓思邈 2026-05-13

Agent Auto Research benchmark Einsia AI

拜拜了SWE-Bench！Cursor刚发了个AI Coding评测基准，难哭Claude

专门评价Cursor中不同模型谁更“智能体”

西风 2026-03-14

benchmark 智能体

o3-pro通关“推箱子”，人类怀旧小游戏成了大模型新Benchmark

测评负责人还是大模型竞技场顾问

克雷西 2025-06-17

benchmark

别让大模型被基准评估坑了！测试集乱入预训练，分数虚高，模型变傻

来自人民大学等最新研究

明敏 2023-11-09

benchmark 刷榜大语言模型

加载更多

热门文章

菲尔兹奖得主都看懵了：OpenAI非数学模型首次自主突破80年未解数学难题

腾讯混元开源全新翻译模型Hy-MT2 ，上线小程序「腾讯Hy翻译」

Artificial Analysis放榜：千问3.7问鼎国产模型冠军，全球前五

融资700亿！DeepSeek Code真要来了，ACM金牌大神崔添翼挂帅

李飞飞再出手，空间智能的ImageNet来了