谁是前端之王？DeepSeek、Kimi等国产大模型UI生成能力实测对比
一位开发者近日针对国产头部大模型的前端设计与代码生成能力发起了一场横向测评。通过使用完全相同的 Prompt 和特定的 UI/UX 技能设定，该开发者在 DeepSeek-v4-pro、Kimi-2.6、GLM-5.1 以及 MiniMax...
标签索引
AI测评
这个标签下有 24 篇文章。按时间回看相关判断与实践记录。
标签精选
相关内容
挑战 Claude 与 Gemini：DeepSeek V4 Pro 写作能力实测与官方数据全解析
本文基于社区实测与官方数据，深入分析了 DeepSeek V4 Pro 在六大类内容创作中的表现。实测表明，其中文本土化能力极强，在结构化报告和文档撰写上已比肩 Claude，且拥有显著的价格优势。官方测评数据显示，DeepSeek 在办公...
实战测评：在复杂航线推理任务中，GPT表现仍显著优于Grok与Gemini
近日，有科技爱好者通过分析复杂航班历史路线的实战案例，对比了 GPT、Grok 和 Gemini 三款主流大模型的表现。测试要求模型根据两点间的历史飞行记录，推断特定日期的飞行路径及经过国家。结果显示，仅有 GPT-5.5 thinking...
大模型“刷榜”乱象丛生：如何寻找真正公正的AI测评平台？
随着大模型技术的爆发式发展，各大厂商竞相角逐排行榜，导致“跑分注水”、针对题库特训甚至商业定制冠军等乱象频发。这种为了刷榜而优化的行为，使得榜单难以反映模型的真实能力，不仅误导用户，也无益于技术进步。当前，行业迫切需要寻找公认、公正且无商业...
Mimo V2.5 Pro 深度实测：编程速度惊艳，但幻觉与细节处理仍是短板
一位开发者分享了订阅使用 Mimo V2.5 Pro 模型的真实体验。评测指出，该模型在代码生成（特别是前端）速度上表现惊艳，且在“说人话”的自然语言表达上优于 GPT-5.4。但在编码方面存在明显短板：幻觉率较高，甚至会凭空猜测接口文档，...
开发者实测：国产大模型在Agent工具调用与复杂指令遵循上仍落后GPT-4
近日，有开发者在实测中发现，国产大模型（如GLM、Qwen）在Agent场景下的表现仍不及GPT-4。主要问题集中在两点：一是工具调用的格式解析不够严谨，常将复杂参数（如字符串数组）错误处理为JSON字符串；二是指令遵循能力较弱，难以灵活使...
多模态大模型“团战”失败？手写菜单识别竟成顶级AI的软肋
一则来自技术社区的帖子引发了广泛关注，该测试揭示了主流多模态大模型在特定场景下的实际短板。测试要求模型从包含复杂手写数字和勾选标记的菜单图片中，精准提取菜品名与数量，并强制输出为无Markdown干扰的YAML格式。结果显示，包括GLM-5...
OCR实测：面对潦草手写文本，Gemini识别准确率显著优于豆包
一项针对多模态大模型OCR能力的对比测试显示，谷歌Gemini在处理极难识别的手写字迹时表现优于字节跳动的豆包。测试素材选用了字迹细小且书写潦草的私人日记文本，尽管对模型识别能力构成巨大挑战，Gemini仍展现出了更强的鲁棒性。测试数据表明...
Claude App被指降智？开启思考模式仍难解经典“水果题”
近日，有科技社区用户反馈，在Claude官方App客户端中使用Opus模型测试经典的“水果题”（测试字符计数逻辑）时，即便开启了“思考开关”，模型仍反复给出错误答案（如29），而此前在网页版或其他环境下该模型能正确输出（如21）。用户质疑官...
豆包登顶SuperCLUE国产第一，跻身全球榜单前四强
权威中文大模型测评基准SuperCLUE更新了榜单，字节跳动旗下的豆包大模型表现惊艳，成功获评国产第一，并在全球总榜中位列第四。SuperCLUE作为独立的综合性测评基准，涵盖了通用、文本、多模态、推理、Agent及AI应用等关键领域。此次...