中国人工智能实验室月之暗面（Moonshot AI）最新推出的Kimi K2 Thinking模型，以其创新的混合专家（MoE）推理架构引发行业关注。该模型在Humanity's Last Exam综合能力测评和BrowseComp浏览理解基准测试中，部分指标...

Ruby官方推出的Benchmark模块为开发者提供了专业的代码性能分析解决方案。该工具通过精确测量代码片段的执行时间，生成包含用户CPU时间、系统CPU时间和实际运行时间的多维报告，帮助开发者定位性能瓶颈。在当今追求...

通义DeepResearch作为全新开源的Web智能体，在综合基准测试中展现出与OpenAI DeepResearch相媲美的性能水平。该项目专为解决长周期、深层次信息检索任务而设计，通过模块化架构实现了对复杂研究流程的自动化处理。其...

近日，GitHub上开源项目TOON（Token-Oriented Object Notation）引发开发者社区广泛关注。这一由开发者johannschopplich推出的新型数据格式，专为大语言模型（LLM）输入优化设计，通过精简的结构化数据表示方式，显...

近日，研究团队推出开创性基准平台World-in-World，这是首个专门针对闭环交互环境设计的开放评测框架。该平台突破传统世界模型仅关注视觉保真度的局限，将评估核心转向具身智能体在动态环境中的任务完成能力。通过构...

斯坦福大学研究人员提出的递归语言模型（RLMs）实现了突破性的推理架构创新。该模型通过REPL环境将输入上下文分解为可交互变量，实现了对无限长上下文的递归处理。在OOLONG基准测试中，基于GPT-5-mini构建的RLMs模型...

人工智能公司Anthropic正式推出新一代小型AI模型Claude Haiku 4.5，该模型在保持成本效益与运行速度优势的同时，实现了接近前沿大模型的性能表现。据官方披露，这款模型在多项基准测试中不仅超越了前代版本，更在计...

业界瞩目的开源AI推理基准测试工具InferenceMAX正式亮相，该工具通过夜间自动化测试对Llama 70B、DeepSeek R1等主流大模型进行持续性能评估。其核心价值在于量化AI推理中的关键权衡：吞吐量（每GPU每秒处理令牌数）...