Google 發布 Android Bench 2.0 評測長週期任務:改採連續評分,Claude Opus 5.5 以 32% 通過率居首
評測納入需耗時數天的跨平台移植等任務,並依功能與視覺計算完成率;GPT 6 Astra 以 28% 通過率居次。
AI 前線單一來源
29 則值得知道的變化
評測納入需耗時數天的跨平台移植等任務,並依功能與視覺計算完成率;GPT 6 Astra 以 28% 通過率居次。
研究分析 14 款模型與人類寫作差異,發現轉向可驗證獎勵的後訓練使模型過度壓縮資訊,但針對性微調能顯著改善可讀性。
vLLM 0.28 運行 Kimi K2.6 時有 8% 調用因格式錯誤失敗,新版藉伺服端旗標強制依循結構,避免 Agent 上下文污染。