京东云发布CodingPlan测试报告，实测AI编程性能基准
Linux.do社区曝光了一份关于京东云CodingPlan的测试报告。该报告通过详尽的基准测试，深入分析了京东云在AI编程领域的最新技术进展，重点考察了其模型在代码生成、逻辑推理及工程辅助等方面的实际表现。作为国产科技巨头在垂直领域的积极...
标签索引 / 第 2 页
基准测试
这个标签下有 32 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
知名 Web 框架性能“试金石” TechEmpower 宣布停止维护
TechEmpower 公司宣布将不再维护其业界公认的 Web 框架性能基准测试项目。该项目长期覆盖 Python、Go、Rust 等主流编程语言与框架，长期以来是开发者评估技术栈性能上限的重要参考。尽管没有任何基准能完美代表实际场景，但其...
社区质疑DeepSeek存在“背题”行为，或导致基准评分虚高
来自科技社区的用户观察指出，DeepSeek模型在应对特定逻辑推理题时，表现出明显的“背题”倾向。该模型似乎倾向于直接从记忆的题库中检索答案，而非进行逐步推理；若记忆答案本身错误，模型便难以自我修正。这种现象引发了关于AI模型评分机制的深层...
专治 AI “一本正经胡说八道”：新基准测试 BullshitBench 衡量模型抗噪能力
英国 AI 专家 Peter Gostev 在 GitHub 推出了名为 BullshitBench 的全新开源基准测试。该项目旨在评估大语言模型在面对无意义提示词时的反应，重点衡量模型是会质疑并拒绝荒谬指令，还是会自信地生成错误的“幻觉”...
Grok 4.20 Beta 登顶？新基准测试显示其幻觉率创历史新低
据科技分析平台 Artificial Analysis 报道，xAI 最新发布的 Grok 4.20 Beta 版本在性能上实现了三大关键突破。最引人注目的是，在名为“AA-Omniscience”的评估测试中，该模型展现出了迄今为止业界最...
PinchBench基准测试发布：评估LLM作为AI Agent的编程能力排行榜
社区近期热议的PinchBench基准测试排行榜正式更新，该榜单专注于评估各类大语言模型（LLM）在扮演AI Agent进行标准化编码任务时的成功率。不同于单纯的代码补全，PinchBench更看重模型在真实开发环境下的任务完成度与逻辑推理...
OpenClaw最新Agent榜单：GPT-5.3与Gemini-3领跑，Kimi表现超预期
OpenClaw发布的最新基准测试榜单引发了AI圈热议。该榜单基于标准化Agent任务完成率，结果显示GPT-5.3-codex、Gemini-3-flash-preview和MiniMax-m2.1位列前三。排名中出现了诸多“意外”：此前...
OpenAI承认基准严重“注水”：弃用SWE-bench Verified，AI编程高分全是背答案？
OpenAI 近日发布博文，宣布正式弃用 SWE-bench Verified 基准，揭露了当前 AI 编程评估体系的两大致命隐患。首先是严重的数据污染，由于测试题源自 GitHub 开源仓库，导致这些代码也被用于模型训练，使得 GPT-5...
最新研究打破幻想：Agent自生成技能毫无用处，模型无法自救
针对AI Agent的最新研究推出了SkillsBench基准测试，通过86项任务和7308条轨迹评估了“技能”对智能体的实际增益。结果显示，人工精心策划的技能能将任务通过率平均提升16.2%，且小模型配合技能甚至能匹敌大模型。然而，结论极...
智谱GLM-5登顶OpenCode测试，成最强开源权重编程模型
AI 编程代理评测平台 SanityHarness 更新了最新排名，智谱 GLM-5 在 OpenCode 测试中表现优异，超越了竞争对手，成为得分最高的开源权重模型。同时，MiniMax M2.5 也在排名中引发关注。SanityHarn...