模型评测
-
Kimi神秘模型Kiwi-do现身竞技场：融资35亿后，多模态K2-VL即将登场？
克雷西 发自 凹非寺 量子位 | 公众号 QbitAI 融资35亿后，Kimi的新模型紧跟着就要来了？！ 大模型竞技场上，一个名叫Kiwi-do 的神秘模型悄然出现。 发现这个新模型的推特网友询问了模型的身份，结果模型自报家门，表示自己来自月之暗面Kimi，训练数据截止到2025年1月。 另有网友表示，Kiwi-do表现出了一些有趣的结果，尤其是在竞技场当中…
-
豆包Seed1.8实测：Agent能力飙升63.1%，成本降13%跻身头部阵营
豆包近期发布了 doubao-seed-1-8-251215 新版本，官方重点强调其“更强 Agent 能力”和“多模态理解升级”。我们对 doubao-seed-1-8-251215 和上一代 doubao-seed-1-6-251015 进行了全面对比评测，测试其在准确率、响应时间、token 消耗和成本等关键指标上的表现差异。 doubao-seed-…
-
AI模型周报：阶跃星辰GUI Agent破纪录，Mistral 3系列开源引领多模态浪潮
12月1日 【开源】阶跃星辰开源GELab-Zero阶跃星辰开源了GELab-Zero，首次将GUI Agent模型与完整的配套基础设施同步开放，支持一键部署。其4B参数的GUI Agent模型在手机端、电脑端等多个GUI基准测试中全面刷新了同尺寸模型的性能纪录，取得了SOTA成绩。此外，阶跃还开源了基于真实业务场景的自建评测标准AndroidDaily，旨…
-
DeepSeek-V3.2实测：稀疏注意力机制DSA如何实现推理效率与性能的协同突破
深度求索近期发布了DeepSeek-V3.2版本，这是一款在计算效率、推理能力和智能体性能方面实现协调统一的模型。其高算力变体DeepSeek-V3.2-Speciale在2025年IMO和IOI中均达到了金牌水平。此次评测重点是评测思考模式（Think），其思考模式下的DeepSeek-V3.2（下面简称DeepSeek-V3.2-Think）在多个维度实…
-
Kimi K2 Thinking开源引爆AI界：超越GPT-5的300步工具调用模型实战指南
Kimi 最近开源了其思考模型：Kimi K2 Thinking。根据官方介绍，该模型具备“边思考，边使用工具”的能力，能够自主执行高达 300 步的工具调用流程，以解决复杂问题。在被称为“人类终极考试”的高难度推理与通用智力测试中，其表现超越了 GPT-5，达到了当前的最先进水平。 若想在 Kimi 官网体验此能力，可直接在 kimi.com 开启“长思考…
-
破解医疗大模型落地难题：构建科学评测体系的三大关键维度
近年来，大型语言模型正在重塑医疗领域的技术版图。从辅助临床决策到患者健康教育，从医学影像分析到复杂病例推理，这些技术展现出令人瞩目的应用前景。然而，我们也注意到一个关键问题：如何科学、全面地评测这些模型在医疗场景中的真实表现？ 这个问题远比表面看起来复杂。医疗领域的特殊性——高风险、强专业性、数据敏感性——使得传统的模型评测方法面临前所未有的挑战。我们需要更…
-
MiniMax-M2实测揭秘：轻量级MoE架构如何实现性能飙升与成本锐减
Minimax近期发布了MiniMax-M2新版本，这是一款轻量、快速且极具成本效益的MoE模型（230B总参数，10B激活参数），专为Max级编码与智能体打造。相比上一代MiniMax-M1，新版本在多个维度实现了性能优化。我们对这两个版本进行了全面的对比评测，测试其在准确率、响应时间、token消耗和成本等关键指标上的表现差异。 MiniMax-M2版本…
