GPT-5o多模态幻觉实测：财报识别翻车，视觉能力被高估了
我们针对GPT-5o发布后多模态能力被高估的现状，用127张企业真实场景的财报、图表做实测，发现其视觉幻觉率最高达52%，频繁出现算错数字、瞎编数据来源的问题，揭示当前多模态对齐的场景盲区，为开发者和企业提供真实选型参考
阅读全文
Search
站内搜索
关键词：实测
找到 248 篇相关文章
三星S26 Ultra的AI，打电话翻译和开会记笔记够用吗？
用S26 Ultra打了一通22分钟的中英商务电话，又开了63分钟团队会。端侧AI在隐私和速度上确实快，但翻译在对方语速快时容易出错，会议纪要也会把随口说的话当成行动项。它是个不错的隐私型速记员，但别指望它当万能助理。
阅读全文实测Runway、Sora、可灵：谁的视频更可控
我们用三个具体任务，测试了Runway Gen-4、Sora 2.0和可灵在表情连续性、物理模拟和视频背景替换上的真实表现。Runway在细节控制上领先，Sora视觉质感强，可灵适合简单任务。
阅读全文3B模型打赢70B的秘密：小模型在手机端的真实表现
我们实测了Qwen3-3B、Phi-4-mini、Gemma-3等主流小模型在5款2026年主流安卓/iOS设备上的表现，覆盖推理速度、功耗、发热和多任务影响。测试发现，在特定任务上，3B模型已能提供媲美云端大模型的流畅
阅读全文实测国产AI芯片跑13B大模型：续航崩了，比玩游戏还烫
2026年6月，我们测试了三款搭载最新国产AI芯片的旗舰手机，在本地运行13B参数大模型。测试发现，持续对话功耗突破5W，续航仅约两小时，发热明显。软件优化和应用场景的缺失，让本地大模型目前更像技术演示，离实用还有距离。
阅读全文Llama 4一个月冒出20多个分支，选哪个不踩坑
Meta开源Llama 4不到一个月，GitHub上已出现超过20个社区分支。本文从中文优化、端侧部署和安全对齐三个关键方向，梳理各分支的实测表现、具体场景适用性与隐性成本，帮开发者做出更务实的选择。
阅读全文AI 帮我写周报、做PPT：三个团队实测，踩坑和解法都在这了
三个团队用AI Agent自动生成周报和PPT，踩中数据混乱、格式崩坏、事实出错的坑。通过调整输入、锁定模板、人工审核三步走，最终把效率提升数倍。核心经验：让AI当信息苦力，别让它替人做决策。
阅读全文H200和三款国产卡打了72小时，训练成本账单出炉
我们用70B模型连续72小时测试了H200、寒武纪MLU590、天数智芯BI-150和燧原T21。H200速度最快且全程稳定。寒武纪成本约为H200的八成，但出现了两次性能抖动。天数智芯和燧原的成本更高，且稳定性问题更突
阅读全文M5 芯片能撑起 Vision Pro 的 AI 野心吗？我们试了试
苹果给 Vision Pro 换上 M5 芯片，号称专为 AI 打造。我们用开发者预览版实测发现，手势延迟降到 50 毫秒以内，首次支持本地生成 3D 模型。但续航短、价格高、应用少的问题依然存在。
阅读全文Vision Pro跑大模型：四个让体验崩盘的交互难题
我们实测在Vision Pro上部署7B多模态大模型，发现比发热更麻烦的是交互。手势延迟让反馈总慢半拍，3D界面信息堆叠打架，语音和视线各说各话，输出速度跟不上用户翻页手速。这些问题不解决，用户可能30秒就想摘设备。
阅读全文推理链能调了，金融医疗教育实测：省时间但烧脑子
Claude 4 开放了推理链调整功能。我们找了三家公司的早期测试：深圳支付公司用它筛风险警报，人工复核时间砍了65%；上海医疗AI公司用它辅助读片，准确率小幅提升但卡在合规；教育平台用它做个性化讲解，效果明显但定义‘风
阅读全文AutoML工具实测：一键训练的上限在哪，还要不要手动调参？
我们用一个PCB缺陷检测任务，测试了Google Vertex AI、Azure、H2O.ai和两家国内平台。结论是：数据预处理自动化已相当成熟，但‘一键训练’的效果有天花板，通常需要手动优化才能提升2-3个百分点。成本
阅读全文