LLM 评测

深入探讨 BenchMIRT 框架与项目反应理论（IRT）在评估大型语言模型（LLM）中的应用。分析如何通过心理测量学方法精准揭示 Claude 3.5 Sonnet、DeepSeek-V3 与 OpenAI o3 的真正能力。

SpaceXAI 正式推出 Grok 4.5，这是一款高性能大语言模型，旨在与 Anthropic 的 Opus 级别模型竞争，具备原生智能体工具和实时 X 平台集成能力。

深入分析 GPT-5.5 的各项基准测试数据，揭示其在高压力任务下的幻觉风险，并探讨为何在 2026 年的 AI 开发中，通过路由机制结合 Claude 与 OpenAI 是最优解。

本文深度分析了 Cursor 最新发布的 Composer 2 编码模型，探讨其在持续预训练、长程任务强化学习以及价格策略上的核心优势，并对比了其与 Claude 3.5 Sonnet 和 DeepSeek-V3 的差异。

深入探讨如何为 Claude Code 和 DeepSeek 等编程代理评估“技能”，重点分析 LangChain 集成与 LangSmith 评测框架。本文为开发者提供了一套完整的技能评测方法论。