Not translated yet — showing the Chinese originals.
Industry & Practice · Tagged “腾讯”
Research & Benchmarks//8 min
腾讯云 ADP 把生产级 RAG 的深水区收成切片、跨文档、评测、知识治理和证据决策。检索看 Recall@K 与延迟，生成看忠实度和相关性，端到端看任务完成率。原文没有给出实测分数。
Research & Benchmarks//8 min
pi 编码代理，模型匿名。9 组高风险组合上，九种防御把配对成功率从 6.00% 降到 1.69%，相对下降 71.8%，没有一种降到 0。离线检测误报为 0，召回最高 17.78%。
Research & Benchmarks//7 min
腾讯云 ADP 用育儿补贴把跨地政策问答收成五类上线前用例：事实、流程、对比、边界阻断和时效。跨地必须双路检索，资格不能由模型审批。全文没有准确率。
Research & Benchmarks//8 min
腾讯 IterSynth-8B 在五个深搜索集上平均 50.7，比 MiroThinker-8B 的 46.5 高 4.2。GAIA 55.3 低于对方 66.4。xBench-2510 表内比 Miro 的 34.0 高 12.0，正文另写 +5.4%。不更新参数时，Claude 上平均 66.1，高于 ReAct 的 60.6。
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//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
腾讯朱雀实验室的 FORGE-BENCH 把失控定义成越权动作真的改了外部状态。1800 条轨迹里，约束被拿掉且危险动作可执行时，全因子格是 55.00%，跨域高风险格是 62%。只给危险动作、约束还在，全因子里仍有 9.33%。把约束写回压缩摘要，对照是 0%。
Research & Benchmarks//6 min
腾讯云 ADP 建议 FDE 用 100 到 200 条真实工单做黄金测试集，回归上下文召回率、回答真实度和业务切题度。认证考试 70 分是考试线，不是 Agent 准确率。
Research & Benchmarks//8 min
腾讯云 ADP 用华住会、尚美数智和美住美宿说明酒店 Agent 怎么测到能上线：一句话拆成四个并发任务，首 Token 5 秒内，常见客需准确率 95% 以上。调价缺数据时必须人工复核。
Research & Benchmarks//8 min
腾讯云 ADP 用邯郸公积金、宝安小宝和广西汇小二说明政企智能体不能只看回答准确率。年报把咨询 17 余万次和办结 230 余笔分开写。单笔从 15 分钟到 3 分钟。这些数不是对照实验。
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//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//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//7 min
MMEB-v2 上 9B 总分 80.6，视频总分 74.3 仍低于对照。内部 26 项平均 72.0，只比了一个 2B。线上 14 次 A/B 没有给出涨幅。
Research & Benchmarks//9 min
14560 次受控运行。规则裁判满分 819 次（5.6%），语义裁判 772 次（5.3%）。文件模式的隐藏 Unicode 通道是 116/455，即 25.5%。汇点是模拟的，不代表真实外发。
Research & Benchmarks//11 min
OSWorkerBench 100 题、上限 200 步。27B 进度 76.86，整题成功 41.00，只比 Kimi-K2.6 的 40.67 高 0.33。OSWorld-Verified 77.0，低于 GPT-5.5 的 78.7。自演示的 30 题是按「没演示就失败」挑的。
Research & Benchmarks//9 min
腾讯云 ADP 从 DeepSeek Harness 的插件、动态装载和会话日志，整理进生产前的治理检查。文末五条是成功率稳定、失败可恢复、调用可审计、权限清楚、成本延迟可接受。没有给出阈值。
Research & Benchmarks//9 min
腾讯云 ADP 用医疗器械售后项目记录企业级 Agent 怎么测到能上线：86 万份知识、相似型号元数据过滤、多路召回与拒答、badcase 三天闭环。自述准确率从约 60% 到一轮上线约 83%，调优后 93% 以上。
Research & Benchmarks//8 min
腾讯的 CoSA 只稀疏预填充。Qwen3-8B 在 RULER 上平均 88.65，全量是 89.20，预算从 100% 降到 22%。LongBench-v2 平均 36.51 对 37.48，预算 15%。128K 上注意力 4.93 倍，首 token 2.53 倍。核内跳过会先掉分，页重排再拉回。
