标签

#benchmarks

7篇文章使用此标签.

Pipette 发布了许多配置下的延迟、吞吐量、内存和质量结果，但不同手机、运行时和量化方式并不能组成一个干净的排名。

2026年8月29日10 分钟阅读

ASI-Bench 在人类指导逐步减少时测试科学代理。它最大的分数下降揭示了构建流程的问题，而不是关于超级智能的证据。

2026年8月27日8 分钟阅读

OpenAI 的 Jalapeño 推理芯片在其发布的测试中领先，但延迟、功耗标准化、可用性和工作负载匹配度限制了采购结论。

2026年8月26日11 分钟阅读

NVIDIA AVO 通过了 ARC-AGI-3 的公开集，但该基准没有隔离工具链的贡献，也没有在私有任务上测试泛化。

2026年8月26日9 分钟阅读

llama.cpp 现在在 nightly 构建之外也提供语义化版本发布。它的第一个稳定标签与一个构建标签共享代码，说明渠道名称描述的是策略，而不是质量。

2026年8月24日8 分钟阅读

Grok 4.6 结合了较低的标价和报告中很强的基准成绩，但重试、失败任务、延迟和工具费用可能逆转表面上的优势。

2026年8月21日12 分钟阅读

实践性地了解评估选择如何影响模型声明、产品决策，以及读者应当检查 AI 公告中的哪些内容。

2026年8月16日2 分钟阅读