Skip to content
MyHOT
中EN

内容类型

评测基准 最新动态

模型到底谁更强：Benchmark 评测成绩、评测方法的争议与排行榜变化。

2 条精选近 30 天 1 条共收录 8 条

更新

评测基准的精选

  1. Google DeepMind70

    Gemini Omni 1.2 Flash 发布：支持 15 秒视频、多轮对话编辑与降价 30%

    Google DeepMind 发布 Gemini Omni 1.2 Flash，原生支持最长 15 秒视频生成与多轮对话编辑，参考跟随和一致性更强，价格较 1.1 下降 30% 至每 720p 每秒 0.07 美元，已面向 Gemini API 和 Gemini for business 全面开放。

    推荐理由：原文给出了 15 秒视频、多轮对话编辑等新能力和降价 30% 的定价，读者可以据此评估它对视频创作工作流的影响。

  1. GitHub Blog · AI & ML64

    GitHub 发布 ReviewBench 开源代码审查评测基准

    GitHub 发布 ReviewBench，基于 1.039 亿条真实 PR 构建的 219 条开源 PR 评测集，覆盖 19 种语言。基准采用人工评审、前沿 LLM 和静态分析多源合并生成黄金标签，并与资深工程师独立复核达成 96.6% 一致性；提供 grounded 与 augmented 两套精确率/召回率指标及可调节的 Fβ 评分。

    推荐理由：官方公开了数据集、评分规则和自建跑分工具，读者可据此比较不同代码审查 Agent 的实际表现。