DeepSeek 漲價 30 倍，仍是最便宜模型
文章分析 DeepSeek 即使可能漲價 30 倍，為何仍有機會維持最低成本模型的地位。內容聚焦於其定價邏輯與成本優勢，探討 DeepSeek 如何在調高價格後繼續保持競爭力。
Search
Tag: #model-evaluation95 results
Gemini 為何正在失去 AI 王冠
文章指出，儘管 Gemini 據稱擁有 9.5 億用戶，仍正悄然退出全球前十。報導將這種下滑視為 Google AI 產品在策略與競爭上的挑戰。
為什麼基準測試忽略了真正的 AI 成本
Qwen 3.8-Max 的基準測試結果會因時間、Token 與推理強度上限不同而大幅變化。文章主張，實務團隊應以每個成功任務的成本評估模型，而非只看每 Token 價格或基準分數。
🤖
Comparity AI 推出個人化 LLM 排名
Max Planck Institute for Intelligent Systems 推出 Comparity AI，這是一個讓使用者透過人類偏好評估比較前沿語言模型的研究平台。平台也會建立個人排行榜，協助使用者找出最符合自身偏好與工作流程的模型。
Qwen3.8Agentic 登上全球代理能力榜首
根據 Artificial Analysis 榜單，Alibaba 的 Qwen3.8Agentic 據稱在代理能力方面取得全球最高分。提供的節錄未包含具體分數、評測方法或比較模型。
Qwen3.6 27B 揭示量化造成的非線性知識損失
一項案例研究探討量化如何影響 Qwen3.6 27B 的知識保留能力。研究核心指出，隨著精度降低，模型知識劣化可能不會呈線性增加。
🎨
評估用於圖像人類偏好預測的 HPSv3 模型
一位開發者討論了 HPSv3 模型在預測生成圖像對人類偏好方面的侷限性。該討論旨在尋求社群對其他替代模型的建議，以提升圖像評估的準確性。
世界盃成為國產AI大模型的壓力測試場
世界盃成為了國產AI大模型的關鍵測試場，暴露了其在即時預測與推理方面的侷限性。此賽事為當前國產AI的發展水平提供了一次高強度的壓力測試。
🤖
愚弄本地 LLM 的提示曝光
社群分享測試 LLM 推理提示，如「洗車 50 米遠：開車或走路？」多數失敗。先進模型通過部分但在變體如「筆在房間對面」失足。徵求更多評估點子。
龍蝦是一次「能力洩露」
龍蝦並未讓AI變強。它只是以能力洩露方式釋放原本就存在的能力。這揭示模型中已有的潛在潛力。