Tag: Benchmark

All the articles with the tag "Benchmark".

• 

  Kimi K3 与鹈鹕测试：跑一次 Prompt 比看 Benchmark 表格更有用

  Published: Jul 17, 2026 |  at  12:11 AM

  月之暗面发布 Kimi K3，2.8T 参数，$3/$15 定价，7 月底开源。Simon Willison 用他 21 个月的鹈鹕骑自行车 benchmark 做了测试，发现模型花 13241 个推理 token 生成一只鹈鹕，以及一个隐藏的 85 token system prompt。这篇分析聊聊 K3 的实际表现，和一个"玩笑 benchmark"为什么至今还能告诉我们真实的事。

  • Kimi
  • Moonshot
  • LLM
  • benchmark
  • AI
• 

  EF Core 批量插入终极指南：从 AddRange 到原始 COPY 的六种策略

  Published: Jul 15, 2026 |  at  06:20 AM

  EF Core 10 没有内置批量插入 API。这篇从最慢的逐行 SaveChanges 到最快的 Npgsql 二进制 COPY，把六种插入策略全部跑通 BenchmarkDotNet，附带基准数据、参数上限陷阱、内存开销和实际选型建议。

  • EF Core
  • Entity Framework Core
  • 批量插入
  • 性能
  • .NET
  • Benchmark
• 

  AI 基准测试没告诉你的那些事：为什么排行榜高分不等于你的场景好用

  Published: Jul 2, 2026 |  at  12:05 AM

  新模型发布，SWE-bench 92%，朋友圈刷屏「最强编码模型」。你切过去跑了一圈，结果跟之前差不多，甚至更差了。问题出在哪？本文从 Goodhart 定律出发，拆解基准测试的五个隐蔽问题：分布差距、优化过拟合、Harness 差异，以及为什么你的私有代码和团队约定才是唯一有效的评测标准。

  • AI
  • Benchmark
  • AX
  • Agent
  • Evaluation
• 

  我们是如何破解主流 AI Agent 基准测试的

  Published: Apr 12, 2026 |  at  01:40 AM

  UC Berkeley 研究团队构建了一个自动化漏洞扫描 Agent，系统性地攻破了 SWE-bench、WebArena、OSWorld 等八个主流 AI Agent 基准测试，以零能力实现接近满分。这篇文章拆解每个漏洞的原理，并给出一份可操作的基准测试设计清单。

  • AI
  • Benchmark
  • Security
  • Agent
  • Research