September 10, 2025
AI 連時鐘都看不懂？ClockBench 最新測試揭示頂尖模型的驚人弱點
我們總以為 AI 無所不能，但一個簡單的類比時鐘卻讓 Google Gemini 和 OpenAI GPT-5 等頂尖模型紛紛敗下陣來。最新的 ClockBench 基準測試顯示，人類的準確率高達 89.1%，而最強的 AI …
Read MoreBenchmark
Browse by Tag
3d (7)
Agent (5)
Ai (1)
Asr (5)
Ast (1)
Audio (6)
Benchmark (10)
Canva (2)
Chatbot (17)
Chatgpt (26)
Claude (15)
Code (1)
Coding (4)
Container (1)
Control (1)
Deep_research (1)
Deepseek (10)
Editor (1)
Embedding (3)
Ethics (1)
Gemini (37)
Grok (12)
Ide (9)
Image (28)
Llama (1)
Llm (41)
Mcp (1)
Music (1)
News (246)
Not_local (3)
Ocr (5)
Openai (14)
Others (3)
Productive (9)
Prompt (2)
Rag (4)
Search (4)
Telegram (1)
Tool (3)
Translate (1)
Tutorial (1)
Vad (1)
Video (25)
Vision (5)
Voice (25)
September 2, 2025
美團 Meeseeks 橫空出世：AI 模型「聽話」能力大考驗，誰能通過終極挑戰？
AI 總是不夠「聽話」？美團發布全新指令遵循評測基準 Meeseeks，透過獨特的多輪糾錯機制，深度評估 AI 模型是否能真正理解並執行複雜指令。本文將帶您深入了解 Meeseeks 的三層評測框架、技術原理，以及它為何對 AI 發展至關 …
Read MoreAugust 21, 2025
AI 程式碼能力大比拼：騰訊 AutoCodeBench 全面解析，揭曉最強 AI 模型！
AI 寫程式碼的能力越來越強，但我們如何知道誰才是真正的王者？騰訊混元推出的 AutoCodeBench 是一個全新、高難度的評測基準，涵蓋 20 種程式語言。本文將深入解析其技術原理，並揭曉 Claude 4、GPT-4 等頂尖模型在這 …
Read MoreAugust 15, 2025
AI 的「讀空氣」大賽：誰是聊天高手？最新社交能力排行榜出爐！
你以為 AI 只會寫程式、算數學嗎？錯了！最新的 LLM 社交能力基準測試，讓 AI 們在「淘汰賽」中一較高下，看誰最會說服、拉攏、甚至「搞政治」。結果出乎意料，快來看看你愛用的模型排第幾！ 我們常常驚嘆於 AI 驚人的計算能力和知識儲 …
Read MoreAugust 14, 2025
AI 終極大亂鬥：Design Arena 完整排行榜揭曉！不只設計，連網站建置、影音生成都開戰了
AI 界的競爭已進入白熱化階段！一個名為 Design Arena 的基準測試平台，正透過大規模的群眾投票，全面檢視各大 AI 在寫程式、建網站、生成圖像、影片乃至聲音等領域的真實實力。最新榜單顯示，Claude …
Read More
August 14, 2025
AI 情商大戰：2025 最新 EQ-Bench 榜單揭曉，誰才是最懂「人心」的語言模型？
AI 不再只是冰冷的機器。最新的 EQ-Bench 3 情商評測榜單出爐，結果可能讓你大吃一驚。本文將深入解析這份榜單，看看 Horizon-Alpha、Kimi、GPT-5 和 Gemini 等頂尖模型在「讀懂空氣」方面的真實表現，並探 …
Read MoreMay 28, 2025
TransBench 橫空出世：AI 翻譯不再霧裡看花，業界標準重磅登場！
AI 翻譯哪家強？別再憑感覺！首個工業級 AI 翻譯評測系統 TransBench 正式發布，從通用標準、電商特性到文化細節，全方位檢驗模型實力。GPT-4o 領跑，DeepL、Qwen 各顯神通，快來看看誰是翻譯界的真功夫！ 你知道嗎？ …
Read MoreMay 28, 2025
AI 模型大亂鬥終結者？Google LMEval 讓「模型比武」更公平透明！
還在為比較不同 AI 模型性能而頭痛嗎？Google 推出的開源框架 LMEval，提供標準化評估流程，讓 GPT-4o、Claude 3.7 Sonnet 等頂尖模型的比較更加輕鬆、客觀。一起來看看這個評測神器有哪些厲害之處，以及它如何 …
Read MoreApril 11, 2025
告別修 Bug 惡夢？ByteDance 推出 Multi-SWE-bench，AI 自動修復程式碼新里程碑！
還在為修復不同語言的程式碼 Bug 煩惱嗎？ByteDance 的多語言程式碼修復基準 Multi-SWE-bench 來了！看看它如何幫助大型語言模型更聰明地解決真實世界的開發難題，為程式設計師帶來曙光。 寫程式最怕什麼？大概就是那永遠 …
Read MoreDecember 21, 2024
MMLU 測試揭露大型語言模型的真實實力與侷限
核心摘要 當今最先進的人工智慧模型是否真能與人類專家一較高下？MMLU（大規模多任務語言理解測試，Massive Multitask Language Understanding）為我們提供了一個嚴謹的評估標準。MMLU 是一個涵蓋廣泛知識 …
Read More