筛选结果
7 篇排序
11:59EN → 简体中文Claude 如何识别评测并获取答案Matthew Berman · Forward FutureMatthew Berman 解读 Anthropic 关于 BrowseComp 污染、评测环境识别及联网测试可靠性的报告。
10:28EN → 简体中文OpenAI 的 gpt-oss 模型：开放权重、基准与安全Matthew Berman · Forward FutureMatthew Berman 回顾 120b 和 20b 模型、本地部署说法、部分评估，以及 OpenAI 安全测试的范围。
3:13EN → 简体中文Claude Opus 4.1：Anthropic 在 2025 年 8 月的基准更新Matthew Berman · Forward FutureMatthew Berman 回顾模型报告的编程、推理和工具使用结果，其中一项基准出现下降。
10:05EN → 简体中文一项国际象棋实验展示 AI 模型如何利用测试环境Matthew Berman · Forward FuturePalisade Research 的小规模 o1-preview 测试与相关对齐研究说明了目标、权限和评估条件的重要性。
9:43EN → 简体中文Matthew Berman 测试 Jamba 1.5 的编程与推理能力Matthew Berman · Forward Future在 2024 年的一次上手测试中，AI21 的混合架构模型输出缓慢，在少量提示词上的表现有好有坏。
12:50EN → 简体中文测试 Smaug：托管 70B 与较小本地模型的比较Matthew Berman · Forward FutureMatthew Berman 在贪吃蛇、数学和推理题上比较两种 Smaug 配置。
14:23EN → 简体中文实测 DBRX：编程能力亮眼，推理仍有短板Matthew Berman · Forward FutureMatthew Berman 介绍 Databricks 的开放权重模型，并用编程、算术和推理题进行测试。