主題選讀

#Benchmark

關於 Benchmark 的最新消息、技術解析與應用觀察。

32篇文章

主題文章

由新到舊，第 1 / 4 頁

工具與應用11 月 6 日6 分鐘

百度開源新一代 MoE 基座模型 ERNIE 5.5 Flash Base，總參數 280B、激活 14B，支援 1M 超長上下文。本文深度解析六大架構創新、33.5T 預訓練與 30 項基準評測。

工具與應用11 月 6 日4 分鐘

月之暗面聯合姚期智等學者開源理論計算機科學研究基準 TCSExam，拆解為定理證明、求解器工程、顯式構造與開放猜想四大賽道，深度評測前沿模型長程理論探索能力。

工具與應用10 月 31 日3 分鐘

Qwen 團隊聯合開源大規模多語言 Agent 評測基準 BabelArena，涵蓋 23 種語言與 13 個應用領域。透過 BabelFlow 全元件本地化適配工作流，維持提示詞、工具定義與資料庫實體一致性，全面評測跨語言執行能力。

工具與應用10 月 18 日7 分鐘

Reflection AI 正式釋出 501B 開放權重推理模型 Beam 1.0。採用每 Token 僅激活 23B 的稀疏 MoE 架構與 1M 上下文，經 13 億沙盒 RL 訓練，提供高 Token 效率與全精度量化支援。

工具與應用10 月 18 日4 分鐘

PrismML 發布 Ternary Bonsai 2 模型家族，包含 2B、4B 與 9B 三元權重視覺語言模型。透過三元量化將 Qwen3.5 體積壓縮逾 9 倍，最低只需 2.00 GB 即可在邊緣端與手機高效運行。

工具與應用10 月 18 日3 分鐘

Perplexity AI 在 Hugging Face 釋出輕量級多模態決策模型 pplx-decider-flash-v1.2，基於 Qwen3.5-4B 架構透過全機率分佈知識蒸餾，以約 9 GiB VRAM 需求提供高效率結構化決策能力。

工具與應用10 月 18 日6 分鐘

Perplexity 正式推出 27B 旗艦決策模型 pplx-decider-v1.2 與蒸餾版 Flash 4B。採用聯合請求與行內標記讀取架構，支援多模態輸入與免費輸出，大幅優化分類與路由效率。

工具與應用10 月 18 日5 分鐘

DeepSeek 正式開源 DeepSeek-V4.1-Flash-1017，採用 552B 骨幹與非對稱 CED 架構，支援 1M 上下文與原生視覺理解。經自反饋 RL 強化代理與程式開發能力，並開放 Search/Fetch API。

工具與應用10 月 12 日2 分鐘

vLLM Semantic Router 團隊推出開源多模態決策模型家族 Decision 3.0，涵蓋 0.6B 至 27B 共六種參數規格。本文整理其以機率分佈為核心的分類架構、對文字、圖片與影片的判讀能力，以及在基準測試和推論延遲上的官方實測數據。

工具與應用10 月 3 日1 分鐘

艾倫人工智慧研究所開源 8B 參數規模的科學文獻報告模型 AstaBrief 8B，透過真實科研提問與引用密度過濾機制，讓模型具備單次生成附帶文獻引用報告的能力。本文解析 AstaBrief 的訓練架構、引用精確度表現以及本機部署應用。