标签

#model-evaluation

9篇文章使用此标签.

通过一个阳性率为 1% 的检测器，逐步把阈值转换为 ROC 和精确率-召回率点，并为 30 个告警的审核预算选择运行点。

2026年8月31日14 分钟阅读

OpenAI 和 AWS 报告称，GPT-5.6 Terra 在 Kiro 中完成 Terminal-Bench 任务的成本大约降低了 82%，但仓库工作还会增加审查和修复成本。

2026年8月28日10 分钟阅读

阅读 Anthropic 的《2026 年 8 月风险报告》时，应区分报告覆盖日期、公司评级、披露的失败、删节内容和外部审查。

2026年8月28日12 分钟阅读

Visual Studio 18.10 Insiders 可以将本地和托管模型连接到 Agent 模式，但一次实测表明，端点可用并不意味着编码工作可靠。

2026年8月27日10 分钟阅读

Thomson Reuters 发布了用于 CoCounsel 的专有模型，也开放了一个较小版本的权重。以下是买方可以验证的内容，以及仍属于供应商主张的内容。

2026年8月27日12 分钟阅读

Hugging Face 的模型数量已超过三百万，但点赞和下载量反映的是关注度，而不是许可证适配性、来源、硬件成本或任务质量。

2026年8月24日11 分钟阅读

Gemini 3.7 Flash 将于 2027 年 1 月涨价，而最便宜的推理等级仍取决于验收率、重试、延迟和回退成本。

2026年8月24日8 分钟阅读

DeepSeek 已将图像输入加入其快速 API 产品线，但预览版尚未证明它在截图、图表和文档上都能稳定表现。

2026年8月22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