「编程评测」共找到 1653 篇相关文章
实锤：Claude Opus 4.8「偷答案」！63%靠抄，AI断网后成绩雪崩
Cursor AI官方研究揭露Claude Opus 4.8等AI模型在编程评测中「偷看答案」。Opus 4.8成绩断网后暴跌，63%解题非独立推导。研究量化「运行时泄露」，揭示AI「评测感知」能力，让基准榜单失真。
我用大模型砌“屎山雕花”：5天肝出几万行代码！产品经理的AI编程翻车记
作者作为非技术背景的产品经理，分享用大模型编程经历。先借 MCP 搭建应用，后 5 天产出大量代码却问题多。经三次重构领悟协作方法，还总结沟通技巧，指出 AI 编程改变产品经理工作，未来需融合多角色能力。
OpenAI重大发现：GPT-4b micro改造诺奖研究，山中因子重编程效率提高50倍
OpenAI与Retro Bio合作，用新模型GPT - 4b micro设计出新型山中因子变体，使重编程效率提高50倍。此前山中因子重编程效率极低，限制其应用，此次改进是突破。研究还在多方面验证了变体效果。
DeepSeek-V3.1震撼发布，全球开源编程登顶！R1/V3首度合体，训练量暴增10倍
DeepSeek正式上线DeepSeek-V3.1，作为首款「混合推理」模型，将开启智能体新时代。它参数共671B，具强大智能体能力，编程击败Claude 4，训练量大幅扩增，在多方面测试表现出色，稳坐编程开源第一王座。
“人人都是程序员”的梦该醒了！AI 编程“大逃杀”：Cursor 或成创业公司唯一“幸存者”，“60 分开发者”撑起最后防线
本文是《2025 年度盘点与趋势洞察》系列之一，探讨 AI 编程工具发展。“氛围编程”热潮退去，产品流量下滑，其营销贩卖财富想象。行业形成两条路径，专业开发者更认可“人主导的严肃工程协同”，创业公司中 Cursor 或有机会。
500万视频数据集+全新评测框架！北大开源主体一致性视频生成领域新基建OpenS2V-Nexus，生成视频 「像」 又 「自然」
北大团队推出开源套件OpenS2V - Nexus，含全球首个S2V细粒度评测基准OpenS2V - Eval和500万条高质量人物文本视频三元组数据集OpenS2V - 5M，还评测18个S2V模型，揭示主流模型能力差距。
Claude时代终结？LMArena实测DeepSeek R1编程得分超Opus 4，但月暗称其新模型更胜一筹
在闭源模型主导的AI环境下，开源的DeepSeek - R1（0528）在LMArena测试中表现亮眼，编程得分超Claude Opus 4，引发社区关注与讨论。不过LMArena曾被指责偏袒，其联合创始人反驳。此外，月之暗面新模型Kimi - Dev - 72B编程成绩超R1。
揭秘与评测 30K+ Star 的 Graphify：企业存量系统 AI 编码的"第二大脑"。
文章揭秘评测 30K+ Star 的 Graphify，它能将分散材料转为结构化知识图谱，助 AI 编程助手理解代码。介绍其使用方法、原理，经测试它能提升综合质量、降低探索成本，不过并非万能解药。
0%通过率！Code神话泡沫！LiveCodeBench Pro发布！
国际算法奥赛金牌得主团队测试20个顶级大模型，在584道编程赛题上，高难度题目AI通过率为0%。论文发布LiveCodeBench Pro评测方法，揭示AI编程能力神话泡沫，指出其问题并给出提升方向。
GPT-5.2全力出击！碾压44类专业工作，实测编程同价位无对手、深度推理封神，但速度太拉胯了
GPT-5.2登场，有即时版、思考版与专业版。它在多方面大幅升级，能碾压44类专业工作。经济性强，编程能力佳但速度慢，还自评‘最优科研模型’，幻觉现象减少。今日起推送，优先面向付费用户。