实测揭露千问推理模型“顽疾”：陷入思考死循环，耗尽Token却无输出
近期社区测试发现，阿里千问系列的QWQ及Qwen 3.6等推理模型存在严重的“过度思考”问题。在GSM8K、HotpotQA等多项基准测试中，模型容易陷入思考死循环，表现为反复检查逻辑、切换候选答案或纠结于边界条件，最终导致达到最大Toke...
标签索引
技术测评
这个标签下有 22 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
1.2亿Token仅耗15元？实测DeepSeek在学术润色与代码修补中的实战表现
一位开发者分享了使用DeepSeek的深度体验。数据显示，在消耗1.23亿Token的情况下，得益于97.23%的极高缓存命中率，总成本仅约15元。在具体场景中，DeepSeek在学术论文润色及项目一致性检查上表现出色；在代码开发方面，无论...
实战测评：主流大模型Agent工具调用与规划能力谁更强？
本文发布了一份基于真实项目环境的AI Agent能力横向测评报告。测评者构建了基于PI SDK的规划子Agent，重点考察了Kimi、Minimax、GLM（含Fireworks AI及官方API）等主流大模型在复杂工具调用场景下的表现。测...
AI编程工具实测：模型拉齐后，为何效率差距高达4倍？
近期一项针对Claude、Codex、Zed Agent等五款AI编程工具的横向对比测试显示，即便统一使用相同的底层模型（mimo-v2.5-pro）和运行环境，不同工具在执行启动项目及访问页面等任务时的效率差异显著。测试中，Codex D...
实测曝光“GPT-5.5”真身：第三方中转API乱象与模型幻觉深度解析
针对近期市面上出现的“GPT-5.5”模型，有技术网友设计了一套包含诺奖知识库、模型版本认知及代码推理能力的严谨测试。实测发现，通过非官方渠道（如中转站或二手账号）获取的所谓“GPT-5.5”存在严重的认知混乱和幻觉现象：它虽能回答2024...
告别盲目调优：开源项目 SkillCompass 实现 Agent Skill 质量的量化评估
许多 AI Agent 开发者在优化 Skill 时面临困境：无法判断修改是否真正提升了性能，只能凭感觉迭代。本文介绍的开源工具 SkillCompass 通过分析 100 个高下载 Skills，发现普遍存在边界不清、错误处理缺失等问题。...
开发者实测国产IDE Trae：集成GLM大模型，免费Solo模式能否平替Cursor？
近期，随着Claude Opus等顶级模型API成本居高不下，不少开发者开始寻求高性价比的国产替代方案。一款名为Trae的IDE因集成了智谱AI的GLM模型并推出免费的“Solo模式”而引发社区关注。据用户反馈，Trae在运行速度和基础编码...
AI智能体实测：抛弃OpenClaw转向Hermes，只因它学会了“自动生成技能”
一位资深用户分享了从OpenClaw迁移至Hermes的心得体验。尽管使用了三个月，但OpenClaw在记忆机制上的短板（无法跨窗口记忆、依赖文档全量加载导致Token成本过高）令人失望。反观Hermes，在底层模型（如GLM系列）相同的情...
AI Agent新秀Hermes引发热议：实测效果与国产模型兼容性成焦点
近期名为Hermes的AI Agent项目在技术社区迅速走红，引发开发者对其真实效能的广泛讨论。相较于早期的宣传热度，社区更关注其在实际场景中的表现是否存在“水分”。虽然该项目部署门槛看似不高，但高昂的顶尖模型调用成本成为用户落地的主要障碍...
披着 "Claude 4.6o" 外衣的套壳服务？实测聊天受限且代码能力拉胯
近日，有技术社区用户实测了一款宣称搭载 “Claude 4.6o” 的平台，结果大失所望。实测显示，该服务存在严重的功能阉割：每日聊天仅限5次，复杂任务仅限2次，且单条记忆限制在2000字。在要求编写简单的文本切分程...