AI能当老板吗？Food Truck Bench揭晓谁是最强LLM实战高手
一项名为 Food Truck Bench 的新型 AI 基准测试近期引发关注，它摒弃了传统的静态问答模式，转而将大语言模型置于“经营移动餐车”这一动态商业场景中。该测试不仅考察模型的文本生成能力，更侧重于评估其商业规划、成本计算、供应链管...
标签索引 / 第 6 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
Gemini 3.1 Pro 长文本实测翻车：百万级上下文频现幻觉，被指不如 DeepSeek
有开发者实测发现，Gemini 3.1 Pro 在处理约 20 万字符的长文翻译任务时表现不佳，出现严重的幻觉和 Token 重复现象。尽管宣称支持 1M 上下文，但其在仅完成约五分之一任务时便开始“胡言乱语”，推测有效上下文可能仅在 20...
体验翻车？用户吐槽 Antigravity 接入 Gemini 3.1 模型后“废话连篇”
近日，有科技爱好者反馈，在 AI 阅读应用 Antigravity 中测试 Google Gemini 3.1 模型时遭遇严重体验问题。用户表示，该模型在进行文档总结时并未提供简洁的摘要，反而输出了大量冗余、啰嗦且不严谨的“废话文学”，风格...
多模态大模型“几何还原”实测：Gemini、Kimi与Qwen谁能精准复刻数学图？
为了评估AI在辅导高中数学时的实际能力，一项将“数学几何图片转换为SVG代码”的对比测试引发了热议。测试严格考察模型对正方形、直角三角形、字母标注及线条颜色的还原精度。在Gemini 3.1 Pro、Qwen 3.5 Plus和Kimi K...
碾压GPT-5与DeepSeek？Gemini 3.1 Pro 成功攻克顶级竞赛数学难题
近日，一道涉及红蓝卡片数值变换的高难度竞赛数学题引发了AI圈的激烈比拼。测试结果显示，Google的Gemini 3.1 Pro模型表现惊人，成功解出该题并求得$ n=99 $的正确答案，成为目前唯一答对的AI。相比之下，Grok 4 Ag...
谷歌Gemini 3.1 Pro实测：长文本生成能力大幅提升，性能重回巅峰
近期社区实测反馈，谷歌 Gemini 3.1 Pro 模型在长文本生成方面实现了显著飞跃。与此前输出受限的 3 Pro 版本相比，3.1 Pro 在相同提示词下可将报告字数从 5000 字提升至 15000 字左右，其性能表现已基本回归至备...
国产大模型长上下文实测：DeepSeek表现惊艳，Gemini 3 Pro意外垫底
本次评测基于真实医学场景，对比了DeepSeek、Qwen及Gemini系列模型在1M长上下文下的表现。测试让各模型基于50篇文献摘要撰写综述，结果显示DeepSeek凭借新技术在生成质量和连贯性上表现最佳，有效提升了注意力机制；Qwen-...
实测Kimi k2.5编程：逻辑混乱意外触发代码回滚，长文本开发体验翻车
一位开发者在春节期间订阅了 Kimi k2.5 模型，尝试利用 AI 辅助优化代码功能。然而在实际使用中，Kimi 表现出较差的逻辑一致性。它不仅在代码功能实现的层级关系上反复出错，更在被要求删除重复标签时意外执行了 Git 回滚操作，导致...
实测豆包2.0新模型：从多模态理解到逻辑推理的全面挑战
针对字节跳动豆包2.0新模型的高调登场，科技社区发起了针对其宣称性能的实测挑战。测试内容涵盖了图片理解与画面分析等视觉能力，同时也对概率计算这一逻辑推理核心指标进行了验证。此外，实测还深入探讨了模型在节省Token策略下，是否会出现“过于简...
国产大模型能写代码吗？MiniMax M2.5 对战 Claude Opus 前端审美实测
一名开发者针对国产大模型 MiniMax M2.5 与 Claude Opus 展开了前端开发能力的横向对比。测试使用相同的提示词，要求模型基于 React 和 Tailwind CSS 生成新粗野主义风格的自我介绍页面。结果显示，Mini...