Not translated yet — showing the Chinese originals.
Industry & Practice · Tagged “腾讯”
Research & Benchmarks//10 min
500 道 GitHub Discussions 改写题，10 分清单。GPT-5.2 总分 62.7%，完美求解率最高的 Claude Opus 4.6 也只有 27.5%。清晰分一律高于知识分。
Research & Benchmarks//8 min
三个月影子评测里 SeqLLM 周平均精度 97.5%，只文本的对照是 92.0%。把行为直接串成文本掉到 83.0%，这一版没有上线。欺诈检测只给了百分点，没有绝对值。
Research & Benchmarks//8 min
腾讯云 ADP 把零售助手的评估拆成规模、效率、质量、转人工、内容生产和运营效果。乳品案例自述审核通过率 95%、效率提升 300%；TP-Link 上线一周转人工率 20%、出图率 70%。两家都没有对照基线。
Research & Benchmarks//9 min
323 道合成任务，三次尝试，没有部分分。Kimi-K3 的 Avg@3 是 73.79%，但三次都成功只有 58.82%。加上代码执行后 Opus-4.8 升到第一，最好的三次全过仍是 68.66%。
Research & Benchmarks//11 min
80、70、50、60 题，两套 harness，每格三次 think mode。报告明确不报套件总分。Claude Opus 4.8 拿下五列第一，GLM-5.2 拿下两列安全，GPT-5.5 只在 Claude Code 的 Office 上最高，86.05。
Research & Benchmarks//8 min
DR-Generator-8B 六项准确率都高于 Qwen3-32B 零样本动态规则。用它监督的 8B 策略，开放题四项高于 70B 奖励模型和 235B 静态规则。微信搜索已全量替换，绝对指标未公开。
Research & Benchmarks//9 min
腾讯混元在 SD3.5-M 上用 4 步采样，少步 8 项里 6 项最好。Aesthetic 5.9275 低于 RTDMD 的 6.1290。Wan2.1 上 4 步 VBench 84.33，高于 50 步 LongCat-Video RL 的 82.57。Semantic 77.68 低于 SC-DMD 的 77.77。
Research & Benchmarks//12 min
可比规模里总平均 65.6，比 Qwen3.6-A3B 高 4.4，比上一代 MoT-2B 高 8.4。A30B 不进排名。Where2Place 只有 65.0，PartAfford 63.7 低于 Embodied-R1.5 的 82.6。导航 OS 排第二。
Research & Benchmarks//9 min
46 题、17 个模型。0.95 阈值上 Grok 4.5 为 28.3%（13/46），模型平均 6.4%；满分阈值平均 3.2%。782 次运行里 491 次有部分分。未解原因的分母却写成 660。
