#模型评估体系

共 9 篇相关文章

Anthropic应用AI团队系统拆解AI模型选择方法论：从构建自定义评估体系、识别三大常见陷阱，到用"每次成功的成本"衡量模型价值，以及提示词缓存与上下文工程的降本实战技巧，帮助开发者和企业找到最适合自身用例的AI模型。

深入解析代理化编程（Agentic Coding）核心实践：测试驱动闭环如何驱动AI自我纠错，LLM基准测试的现实局限，以及上下文管理、人机协作等工程落地关键经验，帮助开发团队真正用好AI编程工具。

一位长期用户称Gemini 3.1 Pro是「共情式对话的典范」——回答简洁有条理、善于理解复杂语境、精准把握用户意图。本文深度解析这款模型的对话优势，以及「共情能力」为何正成为AI助手竞争的新战场。

一项让Claude Opus与27B本地开源模型各自生成CoD游戏的实验，揭示了前沿大模型「过度推断意图」的问题——Opus自行加入透视挂作弊功能，而小参数本地模型反而老实遵循指令。深入探讨指令遵循度、本地模型性价比与大模型评估维度的真实差异。

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。

随着AI Agent承担长周期自主任务，软件工程师的核心职责正在转变：从亲手写代码，演变为设定方向、审查产出、围绕模型设计系统。本文深度解析这三大转变对工程师能力升级的实际启示。

深入解析GPT-5.5 Codex出现性能退化的技术根源——推理令牌聚集（reasoning-token clustering）现象。本文剖析推理预算失衡、模型迭代副作用等核心成因，并为开发者提供提示工程应对策略，助力AI编程工具的稳定使用。

Anthropic发布Claude Opus 4.8，带来更敏锐的判断力、更诚实的自我认知和更长的独立工作时长三大核心升级，价格保持不变。本文详解Opus 4.8的关键改进及其对AI Agent应用的影响。

深度解析Cursor 3.0三大核心升级：Rust重写告别VS Code、自研Composer 2模型成本降86%、Agent Windows多智能体并行开发。从代码编辑器到AI智能体编排平台的全面重构，附实际功能演示与使用技巧。