搜索结果 开源评测
开源评测 贴吧
一个关键词就是一个贴吧，路径全站唯一。
用户
未找到
包含 开源评测 的推特
腾讯混元发布了新的语音识别模型 Hy ASR 3.0 preview。
这个模型可以结合上下文纠错、注入热词，也能处理高噪声和耳语场景。
在开源评测集里，中文普通话 WER 3.34%，英语 2.62%，粤语 3.12%。
目前腾讯云 API 已上线，元宝 App 也已首发免费开放。
显示更多
很多人看AI生成的视频
觉得画质好就是"效果不错"
阿里DAMO院做了一件事：
专门去测这些视频里的物理定律有没有被遵守
水往上流吗？物体穿墙了吗？
光照方向前后帧一致吗？
你说"向左转"，它真的转了吗？
这就是WorldOlympiad干的事——
把视频世界模型扔进三项全能测试：
物理合理性、3D几何一致性、指令跟随
1000条长视频，全自动打分
Cosmos、混元、矩阵游戏这些顶级视频模型都跑进去测过了
代码全开源，arXiv也有论文
👉
你觉得现在最好的AI视频模型，能不能通过物理常识测试？
#AI视频# #世界模型# #开源评测#
显示更多
Qwen-3.8 发布两天，实测体验来了。
第一时间订阅了 Token Plan，并在 Qwen Code 环境下进行了对比测试。
📊 实验对照：
第一次（弱提示）：仅给出一句话模糊需求，生成效果较为平庸、模式化。
第二次（强结构）：清晰梳理功能模块、交互逻辑、图片规则及页面结构。模型对长任务的指令遵循度表现极佳，最终成功交付了一个完整的可操作系统。
核心体验：
1. 推理与生成速度：即便面对超长 Prompt 和多页面构建，整个生成过程依然流畅，耗时17分钟，等待延迟相比 kimi k3（52分钟）、grok 4.5（26分钟） 小很多。
2. 长任务执行力：后加的交互细节与模块划分，基本都高水准地落到了最终成品中。
最后：还是那句话，模型能力固然重要，但想让模型稳定交付复杂任务，需求本身也得足够清楚。
把目标、模块和规则拆明白，Qwen 3.8 确实能把复杂任务推进得又快又完整。
越来越期待它接下来的开源评测了！
以上。
附上两次生成过程和最终效果👇
显示更多
Gemini 3发布后，日常工作彻底变了！
💡 日常生活工作中突然冒出一个需求→双线程启动：
1️⃣ AI深度调研：挖掘社区方案+开源项目评测
2️⃣ Gemini 3疾速开发：直接撸出定制化MVP
⏱️等调研报告出来时,粗糙原型已经能跑了
接下来：Debug→对比社区实现→AI助力“取长补短”
1小时从想法到可用工具。不再"找工具适配需求",而是"造工具精准命中"
这才是AI时代的真正红利：每个人都成了自己的工具制造者。
显示更多
临近中秋，收到字节、阿里、百度、360、硅基流动，爱搜等团队送的中秋礼盒。
还有不少热心网友的美食投喂。
继续玩AI，写评测，开源自己的探索。
感恩的心❤️
预祝所有朋友中秋、国庆双节快乐！
显示更多
教大家三种识别中转站是否掺水的方案，保姆级详细教程
1.
在线监测，只需要把api和key填入即可，这里我测了一个X上一个中转站的1.5倍率分组，测试结果如图1所示。
可以看到是未达标准的，这种就是严重掺水的，就不建议使用。
此外，该网站上也有一些中转站的聚合榜单，实时标注了在线率，掺水率等，可以作为参考
2. api-relay-audit
这是一个开源项目，评测维度更多一些。测试结果见图二。我使用体验下来，因为很多Claude Max满血分组是做了限制的，只允许在Claude Code客户端调用，所以有时候，测试仍然不全面，不过可以作为参考的维度。
开源地址：
3. Skill
该Skill通过自省式分析检测当前 API 是否为真实 Claude 模型，或是否存在多层封装和提示词冲突。
使用教程：直接在Claude Code中发送提示词：使用skill进行自我检查即可
开源地址如下：
显示更多
达里奥为什么这么紧张？说白了，就是中国开源模型跟得太快了。每次 Anthropic 发新模型，几个月之内，中国开源模型在评测数据上就能亦步亦趋地追上来。他的策略很明显——技术手段之外，更想靠舆论和政治拉高壁垒。但这套玩法在美国自己人那里也没得到多少认同，X 上大量美国 AI 从业者都在骂他。
说说我的看法。国内的前沿 AI 模型跟 Claude、GPT 比，确实还有明显差距。但 AI 模型要保持领先，核心动力永远是前沿创新和算力，Anthropic 真的不需要这么焦虑。而且这种竞争本身是好事——它推动技术更快进步，也在快速拉低模型价格，让普通人更早享受到 AI 的红利。
一个真正有技术自信的公司，不会每隔几个月就跑去给政府写告状信。
显示更多
DeepSeek V4终于来了，拥有百万字超长上下文。性能领先开源，媲美顶级闭源模型。
Agent 能力大幅提高，交付质量接近Opus 4.6 非思考模式，但仍与Opus 4.6思考模式存在一定差距。
世界知识测评中，大幅领先其他开源模型，仅稍逊于顶尖闭源模型Gemini-Pro-3.1。
世界顶级推理性能，在数学、STEM、竞赛型代码的测评中，V4-Pro超越当前所有已公开评测的开源模型，取得了比肩世界顶级闭源模型的优异成绩
更关键的是，V4开创了一种全新的注意力机制，在token维度进行压缩，结合 lDSA 稀疏注意力（DeepSeek Sparse Attention），实现了全球领先的长上下文能力，并且相比于传统方法大幅降低了对计算和显存的需求。这一点值得关注！
显示更多
大模型厂商交替领先，真是各领风骚三五月：去年四季度是gemini、今年一季度是cluade、现在感觉轮到GPT5.5了。核心还是大家都在积极进取迭代，只很多时候领先源于对手的松懈。去年在算力投入上非常节制的Authropic最近应该是感受到了算力短缺的痛。
梳理下时间线
1、去年四季度：
Google Gemini 3 系列（尤其是25年11月左右的Gemini 3 Pro/Deep Think）强势登顶，很多基准（如Humanity’s Last Exam、推理、多模态）领先，引发OpenAI“Code Red”。它在多模态、长上下文和搜索集成上特别亮眼，一度被视为转折点。
2、今年一季度：
最耀眼的自然是Anthropic Claude 4.6（Opus/Sonnet，2月发布）强势反超，尤其在编码（SWE-Bench）、长上下文推理、agentic任务和实际生产力上领先。
3、当下2026年4月：
OpenAI GPT-5.5正处于发布窗口，刚
在ChatGPT和Codex上即将全面上线。它强调更好的上下文理解、编码、computer use和agent能力，试图追赶和超越。
大模型领域现在并没有绝对的“唯一王者”，而是各有专长：
1）Claude：主攻编码、长任务、可靠推理往往领先，Agent上迭代非常多。
2）Gemini：多模态、速度、性价比、超长上下文强（3.1 Pro Preview仍很能打）。
3）GPT：通用agent、工具调用、实时应用和生态集成突出，新版在上下文和特定专业任务上提升明显。算力囤积最积极
4）grok：有X这个实时内容平台提供源源不断的训练数据，但近期受制于团队动荡。看跟cursor的合作、以及囤积的大量算力，后面会不会进一步跟上。
当然还有meta最新的Muse Spark，AI团队的最新之作。
更不用说国内豆包、千问、混元、kimi也是各有特色，杀疯了。
这就是当下大模型领域的现状：快速迭代、轮流坐庄。暂时还没有一家能长期领先甚至垄断。当然竞争对用户是好事——模型越来越强、价格/速度也优化。
2月中在《资本开支的战争》推文里有聊过：”往下游看，越往用户端竞争越激烈，当然也是未来AI决胜的关键所在。 可以说大模型、在面向B端或者C端的Agent或者应用才是AI的王冠，但这一层面短期其实很难看出谁会成为最后真正的赢家，再很多时候都是交替领先”。现在看确实如此
GPT-5.5出来后估计又要新一轮刷榜了，下一个出来交替领先的会是谁？
显示更多
开源 AI 网络安全能力，正在进入一个很多人低估的阶段。
这份内部评估最值得关注的，不是哪一个模型排第一
释放出的信号更加重要
Kimi K3 在隐秘评测里的网络安全能力已经进入第一梯队，Sol 同样展现出很强的能力，开源模型开始具备完成复杂安全任务的实力
这意味着网络安全领域正在迎来新的变化
更强的模型可以帮助安全团队发现漏洞、分析攻击路径、加固系统，也意味着防御能力需要同步升级
未来网络安全的竞争，越来越像一场 AI 与 AI 的对抗
真正拉开差距的，也许已经不是有没有 AI，而是谁拥有更快迭代、更开放的安全能力
你觉得未来企业更应该优先投入什么？更强的 AI 防御能力，还是更严格的人工安全流程？
显示更多
开源模型的参数规模迅速膨胀，性能也在逼近甚至追平闭源frontier model。K2（1T）到DeepSeek V4 Pro（1.6T）再到K3（2.8T），间隔不到12个月。K3在独立评测中已经能对标Claude Fable 5，企业拿开源模型做私有化部署，不再是性能上的妥协，而是成本和隐私上的优选。
当这类万亿级MoE模型真正落地部署，硬件侧的瓶颈就不在算力了，而在内存容量、数据格式（FP4）、以及scale-up域内的低延时高带宽互联。
K3总参2.8T，FP4量化后权重约1.4TB，每个token只激活896个专家中的16个，计算量不大，但专家路由要求全部权重可访问，GPU大部分时间在等内存读取，不是在算。FP4不再是可选的精度降级，而是架构级的刚需，推理芯片如果不在硬件层原生支持FP4，基本没法跑这个体量的模型。
MoE模型的推理通常采用专家并行（EP），每个token的expert routing都需要跨卡通信完成分发和结果聚合。scale-up域内的低延时高带宽互联质量，直接影响用户端的token rate和系统的总吞吐。参数规模越大，需要装进同一个低延时域的权重越多，scale-up域也必须跟着扩大。
关于scale-up域内的具体方案，我在之前”把一万块芯片变成一台计算机”的三篇推文里详细讨论过，这里不再展开。
另一个被拉动的环节是CXL。MoE模型98%以上的专家权重在任意时刻是冷的，纯靠HBM装太贵。把冷专家放CXL-attached DDR5，热专家留HBM，做分层调度，理论上成本可以大幅下降。再往下一层，把更冷的权重卸载到高速SSD也在成为可行的路径，学术界和工业界都已经有MoE专家分层加载的方案在验证。未来大概率是HBM放热专家，CXL DRAM放温专家，SSD放冷专家，形成多级内存层次。Astera Labs和澜起在CXL控制器芯片上的卡位已经很清楚了，一个吃全球hyperscaler，一个吃中国本土供应链。
开源模型的参数规模没有放缓的迹象，scale-up域必须跟着扩大。更大的scale-up域意味着更多的HBM容量、更大的先进封装面积、更多的高速光互联和铜互联、更多的CXL内存扩展、以及更多的retimer。这条需求链条会随着每一代开源模型的参数膨胀持续拉长。
除了上边聊到的，还哪些受益环节？大家可以一起聊聊。
显示更多