跳到正文
只看一手#评测/基准
  1. Google DeepMind74

    Google DeepMind 发布 Gemini Robotics 2.5 视觉-语言-动作模型

    Google DeepMind 推出 Gemini Robotics 2.5 视觉-语言-动作模型，在 200 项任务评测中成功率比此前基线提升 30% 至 100%，完成任务速度快 20% 至 30%。

    推荐理由：官方给出跨 200 项任务的成功率与速度提升，以及在奔驰产线的实测成功率，可作为 VLA 模型落地进度的参照。

  1. Mistral AI60

    Mistral 发布时序基础模型系列 Timestral

    Mistral 发布首个时序基础模型系列 Timestral，最大 209M 参数在 GIFT-Eval、TIME 和 fev-bench 三个公开基准上排名第一，仅用此前 SOTA 三分之二的参数。

    推荐理由：Mistral 首发的时序基础模型以 209M 参数在三个公开基准上居首，并给出四个尺寸和 CPU 推理延迟对比。

  1. GitHub Blog · AI & ML62

    GitHub 发布 ReviewBench 开源 AI 代码评审基准

    GitHub 发布代码评审基准 ReviewBench，基于 1.039 亿条真实 PR 的分布构建，包含 219 条来自 187 个开源仓库、覆盖 19 种语言的 PR。

    推荐理由：GitHub 公开了代码评审智能体基准的数据集、评分规范和评审模型，附离线与线上实验的一致性证据。

已经到底了