PostTrainBench
PulseAugur coverage of PostTrainBench — every cluster mentioning PostTrainBench across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
中国 Z.ai 发布低成本 GLM 5.2，挑战美国 AI 模型主导地位
总部位于北京的 Z.ai 实验室发布了 GLM 5.2，这是一款开放权重 AI 模型，其成本远低于领先的美国前沿模型。虽然 GLM 5.2 的 API 成本仅为 Anthropic 的 Opus 4.8 和 Fable 等模型的一小部分，但其在编码和代理基准测试中的表现正在缩小与美国竞争对手的差距。这一发展挑战了一些 AI 工程师的成本节约习惯，并引发了美国 AI 公司对其保持竞争优势的担忧，尽管开放权重性质允许自托管以缓解数据隐私问题。
-
智谱AI发布拥有100万上下文窗口的GLM-5.2，挑战顶级闭源模型
智谱AI发布了GLM-5.2，这是一个拥有100万token上下文窗口的744B参数混合专家模型，并采用MIT许可协议发布权重。该模型在BenchLM排行榜上名列前茅，并在编码基准测试中表现强劲，使其成为可与Claude Opus 4.8和GPT-5.5等闭源模型相媲美的领先开源选项。然而，文章强调，尽管扩展的上下文窗口功能强大，但如果管理不当，可能会导致API成本显著增加，并敦促开发人员优化token使用。
-
Z.ai发布GLM-5.2，为长上下文AI设定新的开源基准
Z.ai发布了GLM-5.2，一个具有100万token上下文窗口的开源语言模型，使其成为长时任务和编码基准的有力竞争者。该模型采用改进的架构，并引入了IndexShare以降低计算成本并增强推测解码。在各种编码和智能体基准测试中，GLM-5.2展示了与Anthropic的Opus系列和OpenAI的GPT-5.5等领先的专有模型相媲美的性能，成为同类产品中性能最佳的开源模型。
-
新框架ANDES增强AI代理数据合成以实现模型对齐
研究人员开发了ANDES，一个旨在改进AI模型对齐过程的框架。ANDES充当AI代理的一项技能，使其能够更有效地搜索、过滤和平衡用于训练的数据。该框架利用世界树路由机制和诊断报告，在闭环接口中指导数据合成。实验表明，即使是能力较弱的代理，配备ANDES后也能在对齐基准测试中取得最先进的成果，并在任务中实现良好的泛化。
-
DataMaster框架自动化机器学习数据工程，以提高模型性能
研究人员开发了DataMaster，一个旨在自动化机器学习数据工程过程的新型框架。该系统旨在通过优化数据选择、组成和转换来提高机器学习模型性能，而不是改变学习算法本身。DataMaster集成了树状搜索、共享数据池和累积记忆，以有效地探索数据领域并从先前的尝试中学习，最终提升下游模型的成果。