基准与测试
对比、性能测试与模型评估
3 published articles
3 min read
智能体评估
沙盒基准测试掩盖了智能体的真实失败原因，港大刚刚解决了这个问题
UniClawBench 通过 400 个双语真实世界任务，评估主动型智能体在五种基本能力上的表现，采用实时 Docker 容器和三智能体闭环评估。它将基础模型能力与框架选择分离，揭示智能体真正失效的环节。
2026-07-13
5 min read
基准测试
Treble Technologies与Hugging Face联合发布远场语音识别FFASR排行榜
Treble Technologies与Hugging Face推出的FFASR排行榜在九种条件下评估ASR模型，包括混响、背景噪声和麦克风距离。早期提交结果显示，低信噪比下的远场词错误率比近场高出数倍，凸显了开发声学鲁棒模型的必要性。
2026-07-02
Featured3 min read
性能
Gemma 4 在 Ollama 0.31 中通过多令牌预测实现近 90% 的性能提升
Ollama 0.31 为 Apple Silicon 上的 Gemma 4 引入了多令牌预测，在编码基准测试中实现了近 90% 的令牌生成速度提升。加速来自一个自动调优的草稿模型和一个消除冗余权重读取的自定义 MLX 内核。
2026-06-29