筛选结果
13 篇排序
17:15EN → 简体中文Hugging Face 事件：AI 评估、沙箱逃逸与奖励黑客Matthew Berman · Forward FutureMatthew Berman 解释报告中的 OpenAI 评估事件及其暴露的安全和激励问题。
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。
32:22EN → 简体中文Qwen Image Edit Plus 对比 Nano Banana、Seedream 和 GPT Image 1Matthew Berman · Forward FutureMatthew Berman 从图像合成、精细编辑、风格转换、对象移除和天气效果等方面比较四款图像编辑模型。
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。
19:06EN → 简体中文构建有效的 AI 智能体：模式、权衡与评估Matthew Berman · Forward FutureMatthew Berman 解读 Anthropic 的工作流和智能体指南，并结合自己的项目举例。
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。
16:28EN → 简体中文测试 Reka Core：多模态基准、编程与推理Matthew Berman · Forward FutureMatthew Berman 回顾 Reka 公布的模型比较，并用代码、逻辑和图像理解任务测试 Core。
15:01EN → 简体中文发布时测试 Llama 3：代码、推理与图像生成Matthew Berman · Forward FutureMatthew Berman 用贪吃蛇游戏、逻辑题和快速图像生成体验 Meta AI 的新界面。
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。
23:00EN → 简体中文发布时实测 Google Gemma 7B：配置会影响结果Matthew Berman · Forward FutureMatthew Berman 比较 Google 早期开放权重模型的本地测试与托管服务复测。