基准测试专题

共 11 篇文章，按时间倒序展示。

编码订阅评估应拆分模型与 Token 工作负载

编码订阅评估应拆分模型与 Token 工作负载新公开的订阅实测方法通过隔离输入、输出、缓存写入和缓存读取，观察用量表变化，再估算不同模型与任务形态的额度。

2026年10月07日TechFoco

VeriHarness 用环境证据验证长程智能体结果开源框架让同一个模型检查多个独立执行结果：对分歧追查文件、数据等证据，对一致结论也主动寻找反例，再选择或修订交付物。

2026年10月06日TechFoco

【代码越短AI越强？

2026年08月16日TechFoco

智谱正式发布GLM-5.3 拥有更强编程能力智谱公司8月14日正式发布GLM-5.3。

2026年08月15日TechFoco

🤖 DeepSeek-V4-Flash 正式版 API 上线公测 2026 年 7 月 31 日，DeepSeek 上线 V4-Flash 正式版 API 公测，Agent 能力大幅增强，基准测试成绩远超 V4-Pro-Preview。

2026年08月01日TechFoco

🤖 Anthropic 发布 Claude Opus 5：性能接近 Fable 5，价格仅为其一半 Anthropic 正式推出 Claude Opus 5。

2026年07月25日TechFoco

不靠工具，只靠逻辑：Gemma 4 的长程推理实验 | 帖子通过一个复杂的维吉尼亚密码（Vigenère cipher）测试，发现 Gemma 4 在面对高难度任务时表现出极佳的“思维弹性”：它既能在被要求时进行长达十分钟的深度推理，又具备在无法解决时主动拒绝幻觉、不编造答案的诚实度。

2026年04月08日TechFoco

谷歌悄悄放出数学怪兽，但你永远用不上 | 帖子谷歌低调发布了一个叫 Aletheia 的数学专用模型，在国际数学奥林匹克竞赛基准测试上拿了满分，把所有竞争对手远远甩在身后。

2026年02月22日TechFoco

FullFront：面向多模态大语言模型（MLLM）的前端工程全流程基准测试平台，覆盖设计、理解与代码生成三大核心任务。

2025年08月14日TechFoco

LLM驱动的文献搜索系统，助力科研人员高效查找论文。

2025年03月28日TechFoco

一个强大的OCR基准测试工具，帮助你快速评估不同多模态模型的OCR和数据提取能力，轻松找到最适合你的模型。

2025年02月26日TechFoco