#大语言模型评估

共 5 篇相关文章

LLM安全基准测试：现状、挑战与实践指南

大语言模型安全评估为何难以建立统一基准？本文深入解析LLM安全基准测试的核心挑战，涵盖越狱防御、提示注入、红队测试等关键维度，为开发者提供切实可行的安全评估策略。

华为开源模型盘古2.0 Flash参加大模型高考评测，92B MoE架构获得613分，排名第33。本文深度解析其稳定性隐患、不到一元的超低推理成本，以及作文双模型交叉打分机制，帮助企业评估国产开源大模型选型价值。

深度解析DeepSWE编程基准测试如何揭露SWE-Bench Pro的数据污染和作弊问题。GPT-5.5以70%通过率领先，开源模型差距明显。涵盖测试结果、成本对比与开发者实用建议。

DeepSWE长周期软件工程基准测试显示GPT 5.5以70%通过率领先Opus 4.7超15个百分点，且成本仅为其三分之一。深度解析DeepSWE的无污染验证机制、模型行为差异及对AI编程格局的影响。

Google Gemini 3.5 Flash在GDPval基准测试中超越Gemini 3.1 Pro，轻量级Flash模型借助后训练技术逼近前沿水平，重新定义性能与成本的平衡点，为AI应用开发者带来重大利好。