PulseAugur
中
实时 05:13:28
实体 GDPval-AA v2.1

GDPval-AA v2.1

PulseAugur coverage of GDPval-AA v2.1 — every cluster mentioning GDPval-AA v2.1 across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
9
90 天内 9
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 1
层级分布 · 90 天
主题
情绪 · 30 天

2 天有情绪数据

最近 · 第 1/1 页 · 共 9 条
  1. TOOL · CL_338372 ·

    Artificial Analysis用新指数重塑AI模型排名

    Artificial Analysis更新了其Intelligence Index v5,显著改变了AI模型排名。新指数严重依赖私有的、未见过的测试集(60%),并同等权重地考量知识工作、编码、科学和通用能力。Gemini 4 Carbon以59分领先,超越了Claude Opus 5.5和GPT-6 Astra,这主要归功于其在HLE-Diamond、Terminal-Bench-Science和AutomationBench中的强…

  2. RESEARCH · CL_326874 ·

    WorkFactory框架使用112K个专业任务训练WorkPilot代理

    研究人员开发了WorkFactory,一个旨在为AI代理训练创建多样化且可执行的专业任务的框架。该系统利用信息层规划和探针执行来识别和修复任务不一致性,确保可靠的专家演示。该框架已生成超过112,000个跨越600种职业的任务,并用于微调Qwen模型,从而产生了WorkPilot系列代理,这些代理在专业工作基准测试中表现出显著的性能提升。

  3. SIGNIFICANT · CL_303128 ·

    蚂蚁集团Ling-3.1-flash模型以1M上下文窗口为目标,面向真实世界任务

    蚂蚁集团发布了Ling-3.1-flash,这是一款专为真实世界工作任务设计的新型开源AI模型。该模型通过分解任务、整合信息和调用工具,专注于完成复杂的业务流程,例如生成电商推广方案和辅助医疗咨询。Ling-3.1-flash采用混合架构,拥有高达100万token的超长上下文窗口,并优化了参数激活,以平衡性能和计算成本。在GDPVal-AA V2.1和HealthBench Professional等基准测试中,它表现出了具有竞争力…

  4. SIGNIFICANT · CL_299658 ·

    inclusionAI发布Ling-3.1-flash,拥有560B参数和1M上下文窗口

    inclusionAI发布了Ling-3.1-flash,这是一款先进的混合推理模型,拥有5600亿总参数和每个token250亿激活参数。该新模型在前代Ling-3.0-flash的基础上,通过增强其架构和提高在复杂现实世界任务上的性能。Ling-3.1-flash在通用代理、搜索、办公生产力和软件工程等领域展现出强大的能力,在GDPVal-AA v2.1和FrontierSWE等基准测试中取得了显著成果。

  5. SIGNIFICANT · CL_317810 ·

    Meta 发布 Muse Wonder 前沿人工智能模型家族

    Meta Superintelligence Labs (MSL) 在该实验室成立约 14 个月后,推出了其第二代模型家族 Muse Wonder。Muse Wonder 家族包含两个模型:Muse Wonder,定位为快速前沿模型;以及 Muse Wonder Full,一个更高级别的模型。Muse Wonder 可通过 Meta Model API 和 Muse Code 访问,而 Muse Wonder Full 则仅供 Mus…

  6. SIGNIFICANT · CL_288568 ·

    Anthropic 的 Claude Haiku 5.5 提升运营能力,引入自适应推理

    Anthropic 发布了 Claude Haiku 5.5,这是一个重要的升级版本,具有增强的运营能力和自适应推理。新模型在计算机操作、知识工作和多学科推理方面显示出显著的改进,基准测试表明其性能相比前代产品有了显著飞跃。尽管取得了这些进步,Haiku 5.5 在复杂的编程任务方面仍落后于 Sonnet 5.5 等更高级别的模型。此次更新还引入了更灵活的定价结构,对超过 100,000 个 token 的上下文窗口实行分级收费,并采…

  7. SIGNIFICANT · CL_286808 ·

    Anthropic 的 Claude Haiku 5.5 在基准测试中表现强劲 · 跟踪到 2 个来源

    Anthropic 的 Claude Haiku 5.5 在多项基准测试中表现强劲,包括 OSWorld 2.1、GDPval-AA v2.1、FrontierCode 1.1 和 Terminal-Bench。该模型的强大能力在关于 AI 开发和编码的讨论中备受关注。

  8. SIGNIFICANT · CL_279901 ·

    Anthropic 推出新的 Opus 5.5 模型,Claude Opus 定价下调 20%

    Anthropic 公布了其 Claude Opus 模型的新定价,即将推出的 Opus 5.5 模型将比其前代产品便宜 20%。新模型每百万输入 token 的价格为 4 美元,每百万输出 token 的价格为 20 美元,低于 Opus 5 和 Opus 4.8 的 5 美元和 25 美元费率。此次价格调整归因于服务成本的降低和效率的提高,缓存读取成本的显著下降也为用户(尤其是代理工作负载)降低了总体账单。

  9. SIGNIFICANT · CL_270642 ·

    GPT-6.1 Sol 对比 Claude Sonnet 5.5:成本与性能对决

    OpenAI 的 GPT-6.1 Sol 和 Anthropic 的 Claude Sonnet 5.5 已发布,标价相同,但在不同任务上的性能和成本构成却大相径庭。虽然两款模型都被定位为中端产品,但在默认 API 设置下,GPT-6.1 Sol 通常更具成本效益,每项任务的成本大约是 Sonnet 5.5 的一半。然而,Sonnet 5.5 在基准测试中有时能获得更高的分数,并且可能提供更详细的输出,尽管价格要高得多。