GLM-5.1代码生成实测：前端准确度惊艳，但复杂任务遭遇算力瓶颈
在一项针对大模型前端代码生成能力的对比测试中，最新发布的GLM-5.1表现抢眼。在“翻页时钟”简易Prompt测试中，GLM-5.1生成的动画逻辑准确，完美规避了图层堆叠错误，综合效果优于Opus、GPT-5.4及Qwen等竞品。然而，在进...
标签索引 / 第 2 页
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
MiniMax 新模型 M2.7 曝光：现身 DesignArena 开启测评
据科技社区消息，中国 AI 独角兽 MiniMax 的新一代模型 M2.7 已在知名基准测试平台 DesignArena 现身。此前，MiniMax M2.5 曾以代号“Deepmolt”进行盲测，而 M2.7 最初以“DeepOcto”名...
难倒大模型的开源游戏：Yare - 1v1极简代码对决
开发者发布了一款名为 Yare 的开源 1v1 编程游戏，旨在通过极简主义机制实现快速（3分钟内）的代码对战。不同于类似游戏《Screeps》的复杂性，Yare 更加轻量且易于上手。该项目不仅是一个编程学习工具，更意外成为了评估大语言模型（...
开发者实测对比：Gemini文本生成更具“人味”，GPT显得有些刻板
来自技术社区的深度用户分享了各大文本生成模型的实战体验。该用户采用Gemini Flash进行海量信息聚合，配合Gemini Pro进行信息筛选与摘要，而将GPT系列用于基础搬砖操作。对比发现，Gemini在生成内容时展现出更强的拟人化特征...
Kimi K2.5 社区实测：魔方还原与多模态能力大考
Linux.do 社区正在对月之暗面 Kimi K2.5 模型进行全方位测试，重点考察其多模态交互与工具调用能力。实测发现，K2.5 在处理复杂视觉任务（如魔方识别）时能灵活调用外部工具，但也暴露了对 Python 环境的一定依赖。此次共建...
逃离营销号喧嚣：为何技术社区仍对Claude念念不忘
本文源于技术社区对当下泛滥且失真的AI模型测评的吐槽。作者指出，许多营销号为博眼球而发布误导性内容，这让真正关注技术的用户感到厌倦。通过回顾首次在Slack上使用Claude写作的震撼，以及利用Opus成功解决编译原理难题的经历，文章对比了...
DeepSeek长文本实测：Lite模型竟在学术综述生成中击败Gemini Pro
近日，一项针对AI长上下文处理能力的真实场景测评引发关注。测试者选取了50篇关于“JAK抑制剂在类风湿关节炎中应用”的PubMed论文摘要（共2.1万英文单词），要求Gemini 2.5 Pro、Gemini 3 Pro与DeepSeek-...
豆包2.0实测“健忘”？用户指APP端长对话仅维持14轮，上下文仅约1万Tokens
近日有用户在实测中发现，字节跳动旗下的豆包2.0在APP端的长对话能力存在严重短板。尽管模型声称支持高输出上限，但在实际连续对话中，仅进行了约14轮互动（总计约1万 Tokens）后，模型便会彻底遗忘初始指令和上下文内容。用户指出，这种记忆...
MiniMax 回应测评造假质疑：未压低 Claude 分数，直指榜单刷分乱象
针对近期关于测评造假的质疑，MiniMax团队正式发布回应。团队坚决否认存在数据造假或刻意压低竞品Claude Opus分数的行为，并承认竞品在Terminal-Bench 2.0上的表现确实优于自身。针对榜单分数差异巨大的争议，MiniM...
DeepSeek长文本能力实测：成功通过百万Token“大海捞针”测试
来自Linux.do社区的用户对DeepSeek新模型进行了高强度的长文本“大海捞针”（Needle in a Haystack）测试。在确认模型支持1M上下文窗口后，测试者上传了近97.7万Token的文件且未被截断。实测结果显示，该模型...