TAG:大模型评测

本文聚焦DeepSeek-V4发布后北大DCAI团队10小时完成自动化评测的案例，解析开源框架One-Eval如何以自然语言智能体、全链路可追溯与人工在环机制，破解大模型评测中的高门槛、黑盒与数据污染难题，并揭示评测产业“诊断+数据补全”的商业闭环及开源带来的行业变量。

aibase

2026-04-28 10:49

0

·

0

OpenClaw最新发布的“小龙虾AI Agent排行榜”对主流大模型在真实编码任务中的表现进行了全面评测。榜单采用标准化测试方法，通过自动化代码检查和LLM智能评审双重机制，客观评估各模型的实际编码能力。Gemini3Flash、MiniMax M2.1和Kimi K2.5位列前三，Claude家族表现亮眼，而GPT-5.2和DeepSeek的成绩则出人意料。这份榜单为开发者选择AI编码助手提供了重要参考。

aibase

2026-03-09 15:48

0

·

0

本文通过《每日经济新闻》记者与开发人员的深度实测，评估了号称“AI打工人”的OpenClaw工具的实际表现。测试将其接入多款主流大模型，包括千问、Kimi、MiniMax、智谱和GPT-5-mini，考察其在文件检索、网络搜索、稿件撰写和邮件发送等任务中的能力。结果显示，不同模型表现差异显著，部分模型在关键环节如浏览器操控上存在困难，揭示了当前AI Agent在实用性、稳定性和信息安全方面面临的挑战。

每日经济新闻

2026-03-02 10:46

0

·

0