基准测试

OpenAI发布AI Agent评测基准PaperBench

OpenAI推出SWE-Lancer基准，衡量模型在真实自由软件工程任务中的表现

智源和腾讯联合发布长文本理解基准测试模型LongBench v2

微软推出Windows Agent Arena：实测AI助手在实际Windows系统中的表现

北大通研院发布LooGLE基准，长文本理解难度超高，大模型表现惨淡

谷歌发布人工智能系统Gemini，或将增强其在AI领域的影响力

亚马逊AWS成立人类基准测试团队，旨在提升人工智能模型评估水平