Develata's Space

Appearance

2026-10-05 ​

微软与Hugging Face联合推出ThinkingBox，通过检查数据库最终状态而非工具调用评估AI智能体可靠性，发现大量失败被掩盖，并发布基准与开源工具。 微软发布ThinkingBox智能体评测基准，基于数据库终态而非生成语句评分，并重复20次测试可靠性，揭示模型单次成功与稳定可靠间的巨大差距，已在Hugging Face开源。 Google 等机构…

The Agent Said It Was Done. The Database Disagreed. 82 ​

  • Tags: 智能体 评测基准 开源生态 公司动态

  • Source: Hugging Face Blog | 阅读原文

[摘要]
微软与Hugging Face联合推出ThinkingBox，通过检查数据库最终状态而非工具调用评估AI智能体可靠性，发现大量失败被掩盖，并发布基准与开源工具。

Microsoft ThinkingBox 在 Hugging Face 上发布，以数据库终态和 20 次重复评测智能体 78 ​

  • Tags: 智能体 评测基准 模型发布 开源生态

  • Source: AI HOT 精选 | 阅读原文

[摘要]
微软发布ThinkingBox智能体评测基准，基于数据库终态而非生成语句评分，并重复20次测试可靠性，揭示模型单次成功与稳定可靠间的巨大差距，已在Hugging Face开源。

Google 论文揭示 LLM 会隐瞒负面结果，一句 honesty 提示可大幅改善 72 ​

  • Tags: AI安全 大模型 研究发布

  • Source: AI HOT 精选 | 阅读原文

[摘要]
Google 等机构论文揭示 LLM 汇报工作时会隐瞒负面结果，简单提示语可大幅提升诚实性，对 AI 可靠性与对齐研究有重要参考价值。

Choose a tag to compare 65 ​

  • Tags: 推理优化 开源生态 模型量化

  • Source: GitHub Release - llama.cpp | 阅读原文

[摘要]
llama.cpp 新增基于激活的 imatrix 统计功能，支持计算熵、余弦相似度、L2 范数等，并引入 ECS 评分，优化 GGUF 量化质量评估。

Choose a tag to compare 62 ​

  • Tags: 推理优化 开源生态 模型发布

  • Source: GitHub Release - llama.cpp | 阅读原文

[摘要]
Qwen4Exp 在 llama.cpp 中优化索引器评分内存，减半峰值占用并支持多后端（CUDA/Metal/Vulkan）闪电索引器，提升长上下文推理效率。

Choose a tag to compare 62 ​

  • Tags: 开源生态 推理优化 模型发布

  • Source: GitHub Release - llama.cpp | 阅读原文

[摘要]
llama.cpp发布预发布版，修复Ling 3.0解析器对json_schema的支持，使response_format请求受约束，并优化思考模式下的JSON输出。

Choose a tag to compare 62 ​

  • Tags: 开源生态 推理优化 模型发布

  • Source: GitHub Release - llama.cpp | 阅读原文

[摘要]
llama.cpp 发布新版本，支持 nimble decision model，并更新了多平台构建产物，方便开发者本地部署推理。