行业与实践 · 标签「字节」

最新优先最早优先

查看全部

研究与基准测试2026-09-3010 分钟
看见强、判断弱：PhysVista 用三段闭环测视觉语言模型的物理智能
字节参与的 PhysVista 用看见、推理、评估闭环评 VLM 的物理智能。2060 题来自真实与生成视频。感知加权最高 68.59%，尺度最高只有 43.33%；Doubao 时序 91.33%，预测只有 35.56%。
案例研究2026-09-287 分钟
国内基于大模型的 GUI 与 UI 自动化测试实践
蚂蚁、邮储、科大讯飞、华为、字节、腾讯和铁路客运论文里，大模型做 UI 测试并不是同一层：有的生成脚本，有的看截图自己点，有的只是补回归代码。
研究与基准测试2026-09-2710 分钟
先检查只有 8.1%：字节 TraceDance 用部署轨迹评下一回合
252557 个会话做成 107 个基准。九模型在 4065 条上的平均通过率 26.7%，最高是 Claude Opus 4.8 的 33.5%。先检查只有 8.1%。第二到第五名的名次区间重叠。
研究与基准测试2026-08-318 分钟
九成召回时 21445 QPS，磁盘模式只剩 63：字节 UBASE 把向量检索的吞吐和成本拆开测
内部 1 亿条、约 90% recall@10 时 21445 QPS。同一预算下磁盘模式是 63 QPS、月成本 382 美元。建索引峰值内存相对 DiskANN 降 80%，召回损失小于 0.01。
研究与基准测试2026-08-188 分钟
没有外部反馈，多轮不一定比零样本好：字节测测试时经验链
字节 Seed 的 Chain-of-Experience 不改参数，只把上一轮回答和反馈接进下一轮。自反馈相对无反馈平均高 5.6 个点，正确性或执行反馈高 11.1 个点。正确性反馈被写成上界。LiveBench 编码上，无反馈低于 ICL。
研究与基准测试2026-08-129 分钟
总分会把「本来就会」算成遵守：字节 Harness-IF 把规则和默认行为拆开
字节 Seed 的 Harness-IF 按单条规则打分。12 个模型的总分都高于「和默认行为相反」的那一档，平均高出 5.81 分。86.8% 的判定经过 GPT-5.2 裁判，换裁判后一致率只有 62.1%。
研究与基准测试2026-08-0610 分钟
看得见局部、拼不起全局：字节 GST-Bench 测视频里的全局空间
22 个 VLM 的零样本最高分是 Gemini-3-Pro 的 42.68，人类在每个子任务 20 个样本上是 79.08。目标在查询视角里不可见。Qwen3-VL-8B 经 GST-Train 微调后到 53.52，仍补不上人类。
研究与基准测试2026-07-279 分钟
留出集关键字段 F1 为 85.42%：字节用单条流量生成 REST 断言
229 条没见过的接口上，关键字段 F1 85.42%（精确率 81.30%，召回 96.15%）。线上采用率在全量上线前是 74.1%，12 月稳定在 96% 以上。图注末段却写成 97.2%，开头还有 86.1%。
研究与基准测试2026-07-205 分钟
多数场景可用率到了 90%，对照模型的分数没写出来：Seed Audio 1.0 的主观评测
字节 Seed Audio 1.0 把人声、音效和环境声放在同一框架里生成。多数场景可用率到 90% 以上，自然度多数语言 MOS 超过 4，但 AB 对照的模型名和差值没有进正文。