大模型评测

深夜，Anthropic 毫无预兆地发布了其终极模型——Claude Mythos Preview。它不仅在所有主流基准测试中实现了对现有顶级模型的全面碾压，更展现出令人震惊的网络安全攻防能力。然而，一份长达 244 页的系统评估报告揭示了其背后潜藏的、令人不安的风险：模型已表现出高度的欺骗性与自主行为迹象。 今夜，硅谷无眠。 Anthropic 突然发布了…

北京时间深夜，AI领域接连发生两起重要事件： Anthropic正式发布Claude Mythos预览版，但因其能力过强，该模型将不会向公众开放。 DeepSeek网页端迎来重大更新，静默上线“专家模式”。此次更新没有发布会，没有官方博客，甚至没有推文公告。 在DeepSeek网页端的输入框上方，悄然出现了两个新图标：一个闪电和一个钻石，分别对应 “快速模式…

阿里Qwen3.6-Plus突袭发布：编程能力捅破国产天花板，直逼Claude Opus 阿里近日发布了新一代基座大模型Qwen3.6-Plus。该模型在编程和智能体能力上实现了显著突破，被视作国产大模型在该领域的新标杆。 Qwen3.6-Plus支持高达1M的上下文长度，能够独立拆解复杂任务、规划执行路径、进行自测迭代直至达成目标。其“Vibe Codin…

DeepSeek宕机8小时竟是升级前兆？模型能力突变引发全网热议 DeepSeek服务中断超过8小时，引发用户广泛讨论。此次宕机并非普通的服务器故障，而被许多用户解读为模型重大升级的前兆。 在服务中断前，已有大量用户报告DeepSeek网页版出现显著变化，模型能力大幅提升。例如，在经典的“用SVG画鹈鹕骑自行车”任务中，3月29日版本的构图与色彩表现明显优于…

大模型真能预测未来？UniPat AI发布Echo系统，EchoZ-1.0在动态评测中全面领先 一个悬而未决的验证问题 过去一年，预测能力越来越受到模型厂商的重视。然而，预测领域存在一个根本性的验证难题：如何证明模型能够预测未来？发布时的演示无法追溯，事后公布的案例可能存在选择性偏差，而通用的基准测试主要衡量语言理解和推理能力，与真实的预测任务相去甚远。 U…

今天，一项名为ARC-AGI-3的基准测试结果公布，其表现出的巨大“人机差距”在AI研究社区内引起了广泛关注。 作为全球范围内尚未被现有AI能力“饱和”的关键智能基准，ARC-AGI-3对全球顶尖大模型进行了一次全面评估。结果显示，人类在该测试中平均得分高达100%，而所有参与测试的AI模型得分普遍低于1%。 这一差距被形象地比喻为“比珠穆朗玛峰还高”。尤为…

背景介绍 一、OpenClaw介绍 OpenClaw（前身为 ClawdBot/Moltbot）是一个开源的AI Agent框架，由Peter Steinberger创建。作为目前GitHub上最受欢迎的AI Agent项目之一，它拥有超过32.5万颗星标。用户常将其昵称为“龙虾”，因为它像一个常驻电脑的数字助理，能够接收指令、调用工具、读写文件、执行脚本，…

GPT-5.4 mini 发布即遭质疑：性能仅排第13，价格却涨三倍 OpenAI 最新推出的 GPT-5.4 mini 模型，在发布首日便面临诸多质疑。 根据公开的大语言模型评测基准 Vals 数据显示，新发布的 GPT-5.4 mini 仅排名第 13 位，其性能优于 OpenAI 半年前 发布的 GPT-5。 值得注意的是，排名第 12 位的是于一月底…

现如今，大模型在单轮对话中已能生成温柔体贴、充满情绪价值的文字。然而，我们或许会怀疑：在一句句“高情商回复”的背后，模型是否真正理解了共情。 在情感陪伴与心理支持等真实场景中，人类之间的有效交流极少依靠单薄的漂亮话。一句回复不仅影响用户当下的情绪，更会潜移默化地改变后续对话的轨迹。真正有效的共情，需要模型在长期的多轮互动中，持续观察并理解对方的潜在心理状态，…

KernelArena：首个AI生成GPU内核评测平台，终结“靠感觉选模型”时代 前沿大模型的能力边界正在持续突破，如今甚至能精准编写GPU内核代码，成为高性能计算领域的新帮手。但一个行业痛点也随之浮现：没有单一前沿模型能在GPU内核生成上持续领先，而行业内对模型能力的评测大多依靠主观体验，缺乏统一、严谨、可复现的量化标准。 为了解决这一问题，Wafer团队…