跳到正文
只看AI 模型#评测/基准
  1. Latent Space66

    NaiveAI 号称每秒 2,100 Token，其实际编程能力评测

    Latent Space 对 NaiveAI 推出的开源代码模型 Naive-N0.5-Flash 进行了实测，对比了 DeepSeek V4.1 Flash 1017 和 GLM 5.3 Flash 的推理速度与应用构建能力。

    推荐理由：实测对比了高吞吐模型在代码生成与推理延迟上的实际取舍，可为追求快速迭代的工作流选型提供参考。

  1. Hugging Face Blog61

    大语言模型评审科研点子创新度是否可靠？Ai2 发布评测基准研究

    Ai2 发布科研创新度评估基准研究，测试显示主流大语言模型在判断研究点子是否具备创新性时表现极不稳定。在 GPT-5 系列与 Claude 系列等六款模型的测试中，仅修改提示词细节就导致准确率波动超 50 个百分点，且增加实时检索与推理算力并未显著改善判断。专用创新评估系统的表现甚至落后于简单的 Claude Opus 4.6 提示词基线，同时带来了更高的 API 成本。

    推荐理由：研究通过对比多款前沿模型揭示了模型评估创新度时的脆弱性，为自动化科研中的点子筛选提供了实证参考。

已经到底了