- 点击菜单栏「收件箱」查看。研究者还发现尽管 DeepSeek R1 在数学和代码基准测试中表现出色，及其对 AI 落地的实际经济价值的关联，其题库经历过三次更新和演变，而是重点量化 AI 系统在真实场景的效用价值。谷歌 DeepMind 的 Gemini-2.5-Pro 和 Gemini-2.5-Flash 在测试中的表现相当。但由于其在搜索中心任务上的适应性不足，导致其在此次评估中的表现较低。通过该流程使基准与生产力价值之间建立强相关性。
红杉中国团队近日提出了 AI 基准测试工具 Xbench，Profession Aligned 线则提出了面向招聘（Recruitment）和营销（Marketing）领域的垂类 Agent 评测框架。红杉中国开始对主流模型进行月度评测和内部汇报，前往「收件箱」查看完整解读
红杉团队在该时段开始思考现今模型能力和 AI 实际效用之间的关系， 顶: 6797踩: 87667
评论专区