Not translated yet — showing the Chinese originals.
Industry & Practice · Tagged “评测”
Research & Benchmarks//7 min
慢思考 BFCL v3 为 78.3，τ-Bench 为 54.7，低于 o1 的 60.4。快思考 BFCL v3 掉到 65.9。表 2 相对上一代低了 3 项，不是正文写的 2 项。
Research & Benchmarks//5 min
蚂蚁百灵团队联合北京大学与中金公司投资银行团队公开的 FinFIRST，把金融搜索 Agent 的评测重点从最终答案扩展到信息检索、引用来源和全过程可追踪性。
Research & Benchmarks//8 min
134 例座舱任务里，混合执行成功率 91.04%，直接调工具 72.39%，全部委托 80.60%。都做成功的回合上，总体时延 4.729 秒，相对这两档低 26.73% 和 30.91%。短任务和多步并不是都最快。
Research & Benchmarks//6 min
腾讯云智能体开发平台文档更新于 2026-09-21。评测集可以来自历史对话或功能点，再交裁判模型打分。示例问法是 30 题，不是上限。调试看草稿，客户看已发布配置，两边可能不一致。近 30 天对话分析同样是示例。
Research & Benchmarks//8 min
腾讯云 ADP 用 500 条模拟客服工单对比 Jev 和通用模型：意图准确率 88.2% 对 93.2%，空响应 5.6% 对 0，500 条成本 0.0103 美元对估算的约 2.45 美元。
Research & Benchmarks//8 min
Qwen3.8-Omni-Flash 的 29 项平均分比 Qwen3.5-Omni-Plus 提高超过 25%。OmniVideoBench 上准确率 63.4 到 67.8，token 从 145736 降到 79117。时价降幅按两分钟成本的 30 倍估算，不是准确率。
Research & Benchmarks//7 min
KuaiRand-Pure 上 HR@10 从 0.0511 到 0.0575。手机百度一周全量对照里，总观看时长 +0.96%，总分发量 +1.08%。线上只给相对涨幅，没有绝对基线。
Research & Benchmarks//8 min
腾讯云时效性检索按知识有效时间处理召回。明确年份会过滤；「最新」在生效逻辑里是加权排序，历史文档仍可能回来。页面没有召回率。AgenticRAGSearch 不用开开关，注意事项又写关闭则整条逻辑不生效。
Research & Benchmarks//10 min
5440 段淘宝购买过程，测试集 544 段由专家从零标注。B2V-Verifier 宏平均 F1 0.615，基线最高是 GPT-5 的 0.417。引言写的大约 34% 没有落到表上的某一格。
Research & Benchmarks//9 min
150 道组合题，最好的整题成功是 HOLO2 的 12/150（8.0%）。多设备有依赖的整题成功率最高 2.0%，六行里四行是 0。换规划器到 Kimi K2.6，这一格仍是 2.0。
Research & Benchmarks//8 min
腾讯 HPC-Ops 在 Hy4-Preview 的 FP32 索引分数上测精确 Top-K，K=2048。20 个形状都通过集合合同，相对最快外部精确实现几何平均 1.55 倍。245K 轨迹 1.36 倍，430K 为 1.48 倍。16K 和 24K 行上精确提议全胜，采样不是默认都该开。
Research & Benchmarks//9 min
B 栏里 FLEURS 中英和 LibriSpeech 两项最低，AISHELL 与 WeNetSpeech 不是。16 种方言宏平均 CER 9.40%。400 毫秒流式的中文 CER 9.24%，非流式 8.03%。
Research & Benchmarks//7 min
美团智播在 HumanML3D 上报 FID 0.041，较基线降 82.3%，KIT-ML 上 FID 0.180，降 64.7%，但没写基线名字。编辑只报三个基准整体提升 2.5% 到 3.8%，没有指标名。经营增长不和这些分混用。
Research & Benchmarks//6 min
腾讯云 TI-ONE《自动评测》更新于 2026-09-02。内置评测集用默认指标，自定义集要自己配裁判模型。概述写三种模式，表格多了模板。并发默认 24，上下文默认 8192。0.85 只是 metrics.json 的格式示例。
Research & Benchmarks//11 min
41 个 LLM 诊断信号。校准后的 ATLAS Judge 总 F1 0.952，高于只给任务定义的 0.800。蒸馏到 9B 后 17 项总 F1 94.6，仍低于 DeepSeek-V4-Pro 的 96.4。线上三天 10% 流量，会话跟进率 +6.9%，付费 GTV +7.32%，抽查的 P0 幻觉 −6.9 个百分点。
Research & Benchmarks//8 min
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。
Research & Benchmarks//5 min
华为云 AgentArts 的官方评估实践把智能体测试从“开发者手动聊几轮”推进到可重复、可量化、可定位的评测流程。对企业来说，重点不是一次跑出一个分数，而是建立基线、识别能力洼地，并在每次 Prompt、知识库或工具改动后验证是否回归。
Research & Benchmarks//5 min
通义实验室公开的 PawBench 用 4,050 个测试单元回答一个常被忽略的问题：Agent 失败时，究竟是模型能力不足，还是 Harness 没有把能力稳定地转化为执行结果？
Research & Benchmarks//10 min
Qwen3-8B 只配工具，四套均值从 45.93 掉到 27.61；训完 ContextPilot-8B-RL 是 69.40，窗口只有 32K。深度搜索平均分高于 SUPO，但 WebExplorer 的 xBench 仍是 56.67 对 58.00。
Research & Benchmarks//8 min
美团 GeoRA 把低秩适配对齐到 RLVR 的更新几何。Qwen3-8B 的 AIME24 为 23.75%。招聘场景相对 LoRA 约提升 12%，原文没有写出这个 12% 的指标名。
