研究与基准测试/2026-07-29/8 分钟告警能报,静默入侵和收尾计划不行:阿里 SecRespond 评失陷后的响应10 个隔离云主机快照,280 个检查点。最强的 Claude Opus 4.7 检测和计划平均只有 72.4%,而且没有任何模型在任何一个靶场上同时做完检测和处置。
研究与基准测试/2026-07-06/9 分钟56 条能核对的尺子:通义用 Qwen-Image-Bench 评复杂文生图通义实验室的 Qwen-Image-Bench 用 56 条可核验规则、五根能力柱和 1000 条中英提示词评文生图。Q-Judger 基于 Qwen3.6-27B,和专家判断的 Spearman 相关是 0.92,但没有给出专家人数。