筛选结果
19 篇排序
0:22EN → 简体中文
Matthew Berman· 2026年10月21日机器人保镖短片展示戏剧性的救援场景Matthew Berman · Forward FutureMatthew Berman 观看一段展示格斗与车辆救援场景的机器人短片。
0:32EN → 简体中文Matthew Berman· 2026年9月12日DeepSeek 魔方演示未能正确打乱和复原Matthew Berman · Forward FutureMatthew Berman 检查通过 Codex 运行框架使用 DeepSeek V4.1 Flash 生成的魔方模拟。
11:59EN → 简体中文Matthew Berman· 2026年3月11日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。
0:37EN → 简体中文Matthew Berman· 2025年10月16日Matthew Berman 展示 ChatGPT 在海马表情符号问题上的混乱回答Matthew Berman · Forward Future一个简单的问题让两次 ChatGPT 回答反复自我纠正，始终没能给出明确答案。
1:10EN → 简体中文Matthew Berman· 2025年8月8日测试 GPT-5 生成的魔方模拟器Matthew Berman · Forward FutureMatthew Berman 提示 GPT-5 构建 Three.js 魔方模拟器，并在不同尺寸下尝试打乱和求解功能。
10:28EN → 简体中文Matthew Berman· 2025年8月5日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Matthew Berman· 2025年8月5日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Matthew Berman· 2025年1月9日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。
12:57EN → 简体中文Matthew Berman· 2024年12月3日AWS 自动推理检查：一场有赞助的政策验证演示Matthew Berman · Forward FutureMatthew Berman 演示 Bedrock 的预览功能，依据形式化政策规则检查生成的答案。
12:03ENMatthew Berman· 2024年9月6日Reflection 70B: Self-Correction Claims and the Limits of a 2024 DemoMatthew Berman · Forward FutureMatthew Berman reviews a model trained to generate reflection steps. Its initial benchmark claims later proved difficult for independent evaluators to reproduce.
9:43EN → 简体中文Matthew Berman· 2024年8月26日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。
13:40EN → 简体中文Matthew Berman· 2024年7月29日Llama 3.1 8B 实测：基准提升与参差不齐的实际结果Matthew Berman · Forward FutureMatthew Berman 用编程、推理等提示测试这款小模型，发现尽管报告的基准成绩更高，仍有多项失败。
10:57EN → 简体中文Matthew Berman· 2024年6月24日测试 Claude 3.5 Sonnet：编程、推理与视觉Matthew Berman · Forward FutureMatthew Berman 用非正式的编程、数学、谜题和图像理解提示测试 Anthropic 在 2024 年 6 月发布的模型。
12:50EN → 简体中文Matthew Berman· 2024年5月22日测试 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。
13:59EN → 简体中文Matthew Berman· 2024年4月5日SWE-agent 教程：浏览代码仓库并尝试修复 GitHub 问题Matthew Berman, Carlos · Forward FutureMatthew Berman 配置研究型编程智能体，遇到安装问题和成本上限，随后展示一位作者成功处理 SymPy 基准示例的过程。
9:02EN → 简体中文Matthew Berman· 2024年4月1日Matthew Berman 试玩 LLM Colosseum：用街头霸王评测语言模型Matthew Berman · Forward Future一段 2024 年的教程展示语言模型如何选择格斗游戏招式，解释游戏状态提示词，并演示本地配置过程。
14:23EN → 简体中文Matthew Berman· 2024年3月31日实测 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。
12:20EN → 简体中文Matthew Berman· 2023年7月10日UltraLM 13B 实测：小模型的长处与推理错误Matthew Berman · Forward Future一次 2023 年的本地测试发现，模型能完成一些写作和简单编程，但在游戏、算术和逻辑题上失败。
11:49EN → 简体中文Matthew Berman· 2023年6月1日测试 Wizard-Vicuna 30B：回答、推理与代码Matthew Berman · Forward FutureMatthew Berman 考察一款宣传为不受审查的模型，演示 2023 年的云端配置，并进行一组非正式测试。