标签索引 / 第 2 页

AI基准测试

这个标签下有 13 篇文章。按时间回看相关判断与实践记录。

标签精选

谷歌DeepMind扩围AI基准：引入狼人杀与扑克，考验Agent的社交与博弈能力

Google DeepMind宣布扩展Kaggle Game Arena平台，在原有的国际象棋基础上，新增“狼人杀”和扑克两项基准测试。此举旨在突破传统“完美信息”游戏的局限，重点评估AI模型在信息不完美环境下的表现。其中，“狼人杀”通过自...

2026-02-031 分钟阅读184 阅读

TetrisBench是一个新兴的AI模型基准测试平台，通过俄罗斯方块对战来评估AI的实时决策与空间推理能力。最新测试结果显示令人惊讶的数据：谷歌推出的轻量级模型Gemini Flash，在与Anthropic顶级旗舰模型Claude 3 ...

2026-01-271 分钟阅读215 阅读

SnapBench是一项测试大模型具身智能能力的基准实验，要求模型在3D世界中驾驶无人机寻找并识别生物。在对7款前沿LLM的测试中，仅有价格最低的Gemini Flash成功完成任务，而公认的“最强模型”Claude Opus却因无法控制俯...

2026-01-261 分钟阅读192 阅读