Opus 4.8 把"诚实"当成了卖点
Anthropic 今天发布了 Claude Opus 4.8。价格没变，跑分照常往上走，这本来是一次很常规的小版本升级。但发布稿里花了不小的篇幅讲一件事：这个模型更”诚实”了。 诚实度被拿出来当主打，这是个值得留意...
标签索引
模型评测
这个标签下有 28 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
AI编程实测：同模型在不同IDE/CLI下性能差异巨大，工具层成关键
传统AI评测多聚焦于模型智商，但最新的“鞍座”评测揭示了惊人事实。在调用完全相同的Opus-4.7-medium模型时，Cursor CLI和Claude Code得分均超过60分，而OpenCode仅获37分。这表明对于AI编程助手而言，...
5天代码实测：拆解Agent工作流中Opus与国产大模型的最优解
作者分享了五一假期使用Agent工作流进行5天代码开发的实战经验。通过对比Opus、GLM、Dpsk及Mimo等主流模型在“计划-写码-验收”流程中的表现，发现Opus在架构设计上依然最强，稳扎稳打；而新版本Opus写码能力有所下降。相比之...
Hacker News热议盘点：当前最受开发者欢迎的AI编程模型
一位开发者为了弥补因休假两周而错过的技术动态，选择通过编写脚本自动化分析 Hacker News (HN) 的评论数据，而非手动翻阅海量讨论。该项目旨在快速提取并汇总 HN 社区当下最受推崇的 AI 编程模型。作者不仅构建了可视化数据面板，...
告别“应试教育”：为何针对测试集优化的模型往往高分低能？
一位开发者在社区分享了AI训练中的典型误区：将数据分为训练集和测试集后，盲目要求模型最大化测试集分数。这种做法导致模型在特定数据上“作弊”或严重过拟合，虽然评测分数极高，但在实际应用中泛化能力极差。这一经历深刻揭示了机器学习中“唯指标论”的...
用户反馈：魔搭版DeepSeek表现优于官网？幻觉少、不循环且推理更精简
近期有科技爱好者在社区反馈，阿里云魔搭平台上部署的 DeepSeek 模型在体验上似乎优于官网版本。据观察，魔搭版在处理长文本检索（“大海捞针”）时未出现循环推理问题，且思维链长度控制得更为精简，提升了阅读效率。此外，该版本显著减少了幻觉现...
AI竞技场上线GPT Image 2直选，支持无限制次数对比测试
科技社区Linux.do消息，知名AI模型对比平台Arena.ai（竞技场）近日进行了重要更新，上线了OpenAI最新的图像模型“GPT Image 2”直选功能。据悉，此次更新不仅允许用户无限制次数调用该模型，还提供了其与谷歌Gemini...
Claude Opus 4.7 实测翻车？连基础逻辑“糖果题”都解不开
近期，关于 Claude Opus 4.7 的性能在社区引发热议。有科技爱好者通过第三方渠道对该模型进行了实测，结果显示，即便是在面对经典的“糖果问题”等基础逻辑推理题时，该模型依然给出了错误答案。这一表现引发了用户对新模型能力的强烈质疑，...
实测 Kimi K2.5：轻量编程极速顺手，但复杂重构仍是软肋
一位开发者在使用完 Kimi 699 元套餐（K2.5 模型）后进行了详细复盘。实测表明，Kimi K2.5 的生成速度（TPS）远超同类，在 C++/Rust 等中难度编程任务上效率极高，甚至比 Claude 更顺手。然而，在涉及 CUD...
测试宇宙 (Testverse)：一站式聚合全网热门 AI 大模型测试与评测工具
随着AI大模型技术的井喷，各类模型对比、图灵测试及能力评估层出不穷，用户往往需要在不同平台间反复切换。开发者推出了名为“Testverse”（测试宇宙）的聚合导航站，旨在解决用户在寻找最新AI测试入口时的痛点。该平台集成了当前互联网上最热门...