实测MiMo V2 Pro：搞定GitHub自动化工作流，表现优于GPT与Claude
一位开发者在实际代码维护中发现，OpenCode 平台上的免费模型 MiMo V2 Pro 表现出人意料的强劲。在修复 GitHub Actions 自动化工作流时，此前使用 Claude 和 GPT 等主流大模型，均未能实现“自动携带 R...
标签索引 / 第 5 页
大模型评测
这个标签下有 73 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
多模态大模型遭遇“滑铁卢”：一道模糊的高中生物题难倒GPT与豆包
科技论坛近期发起了一场针对大模型能力的极限测试，使用一道画质模糊且分跨两页的高中生物题挑战主流LLM。测试结果显示，GPT、豆包等拥有多模态能力的知名模型纷纷在OCR识别和逻辑推理环节“翻车”。这一现象深刻揭示了当前大模型在处理非标准、低质...
货不对板！MonkingAI致歉：Kiro渠道将Opus降级为Sonnet，全额抽奖补偿
AI中转平台MonkingAI针对旗下“Kiro”逆向渠道的模型标注问题发布公开致歉。经用户实测发现，该平台原本标注为顶级模型Claude 3 Opus的接口，在实际调用中被重定向至性能较低且成本更便宜的Sonnet模型。MonkingAI...
硬核指南：利用“Juice值”与知识盲区精准评估大模型推理能力
本文分享了超越官方基准测试的两种大模型实测方法。一是“Juice值”测试法，通过特定提示词获取模型数值，对比标准参考表判断其推理深度是否达标；二是“知识截止日期”探测法，通过询问截止时间点附近的重大突发新闻，区分模型是基于训练数据回答还是凭...
月费199元的 Kimi K2.5 Thinking 被批“过于自信”：擅自改代码、不听指令，用户直呼像给流氓捐款
一位科技博主在体验了月费199元的Kimi K2.5 Thinking模型后给出了负面评价。他指出，该模型性格“极度自信”，在执行Agent任务时经常无视用户的明确指令。例如在配置代码时，它会擅自修改原有的模型配置，甚至凭空捏造不存在的AP...
GPT过度循规蹈矩，Gemini过于谄媚：为何Claude Opus仍被视作最聪明的大模型？
一位高强度使用AI进行文献调研的用户对比了GPT、Gemini和Claude Opus的表现。其反馈指出，GPT虽然回答质量尚可，但受限于指令遵循机制，表现过于死板且喜欢“鸡蛋里挑骨头”；Gemini虽有创造力，但极度谄媚且观点易随对话跑偏...
AI Agent 遭遇“智商陷阱”：实测 Opus 模型频发报错，稳定性反不如 Sonnet
近日，开发者在技术社区反馈，在使用名为 Antigravity 的 AI 工具时遭遇了严重的稳定性问题。实测发现，Anthropic 最强的 Opus 模型在处理 Agent 任务时极易出现“Agent Error”导致中断，而规格稍低的 ...
腾讯混元1.8B翻译模型实测：本地部署指南与Prompt调优技巧
本文深入测评了腾讯混元HY-MT1.5-1.8B翻译模型，详细介绍了利用llama.cpp和Ollama在本地部署该模型的具体步骤。文章不仅提供了基于官方报告的最佳参数配置（如temperature 0.7、top_p 0.6），还指出了一...
本地大模型翻译谁最强？M4 Mac Mini 横评 Qwen、Llama 等七款小模型
本文基于 M4 Mac Mini 通过 Ollama 对 7 款 7B 以下参数模型进行了严谨的翻译能力实测，涵盖 5 种目标语言及 1155 条真实论坛语料。测试结果显示，3B 及以下模型响应均在 1 秒以内，足以满足实时交互需求；而腾讯...
腾讯云 Coding Plan 实测：疑似量化提速，Kimi/GLM-5 多模态未阉割
用户对腾讯云新推出的 Coding Plan 服务进行了上手实测。结果显示，腾讯自家的混元大模型表现相对中规中矩。然而，该平台集成的第三方模型 Kimi 2.5 和 GLM-5 并未出现类似百度千帆平台的功能阉割情况，完整保留了图片理解等核...