模型评估

当AI学会"作弊"：OpenAI的秘密武器能否终结大模型的测试困局 我一直在思考一个问题：大模型在正式发布之前，到底有多少问题是被"藏着掖着"的？就在今天，OpenAI用一组数据给出了答案——可能比你...

当AI智能体撞上“天花板”：GPT-5.5登顶背后，最难任务0%成功率意味着什么 说实话，看到这条新闻的时候，我愣了好几秒。 OpenAI研究员诺姆·布朗（Noam Brown）在社交平台上宣布：GP...

微软开源AI评测新利器：一条描述文字，就能生成行为测试 当"调参侠"变成"出题人" 说实话，过去几年我见过太多团队在AI评测这件事上走了弯路。 要么是硬编码一堆断言，结果AI一升级，测试全挂；要么靠人...