「代码评估」共找到 2293 篇相关文章
刚刚，翁荔博客又上新：通过Harness工程实现AI自我提升
翁荔新博客聚焦Harness Engineering，梳理围绕‘Harness自我优化’的研究，探讨递归式自我提升发生层面，还指出自动化研究和自我提升系统面临的瓶颈，如评估标准模糊、奖励作弊等。
The Batch: 936 ｜Claude Code 内部揭秘
广受欢迎的编码智能体Claude Code近期版本意外暴露底层代码。Anthropic称是人为失误，未泄露用户数据。工程师分析发现其架构似小型专用操作系统，还揭示了潜在功能和未来规划。
1段话喊来13个“程序员”，阿里Qoder新模式让我躺着当CTO
作者实测阿里Qoder「专家团模式」，该模式下Qoder组织赛博工程团队，自动解析需求、分配任务，多智能体协同推进项目，解决了代码质量和效率问题，开启多智能体协同编程时代。
OpenAI罕见发论文：我们找到了AI幻觉的罪魁祸首
AI“幻觉”是阻碍完全信任AI的关键障碍，目前无根治良方。OpenAI罕见发论文揭示其根源，指出标准训练和评估程序奖励猜测，应加大对自信错误的惩罚，奖励表达不确定性。
陶哲轩回应OpenAI宣称内部实验模型获得IMO金牌：不予置评「测试方法不公开就是“作弊”？」
OpenAI宣称内部实验模型获IMO2025金牌，陶哲轩呼吁对AI竞赛表现保持审慎。他强调评估AI不能只看结果，测试方法很重要，对未公开测试方法的自我报告成绩不予置评。
给你一群顶尖AI，如何组队才能发挥最大战力？UIUC用一个新的多智能体协作基准寻找答案
现有的评测基准无法衡量多智能体系统内部的协作效率、沟通质量和竞争策略。为此，伊利诺伊大学厄巴纳 - 香槟分校的研究者推出 MultiAgentBench，能全面评估 LLM 多智能体系统协作与竞争能力。
Claude Code发布4个月，用户已经11.5万了，开发者：200 美元/月不算贵
Anthropic的Claude Code发布4个月吸引11.5万开发者，一周处理1.95亿行代码。它集成Claude Opus 4模型，功能实用，口碑好，让开发者觉得物有所值，反映开发者对AI编程工具接受度提升。
编程脚手架狂揽 20 万星，Agent 基础设施成 GitHub 新战场
近日，GitHub Trending 榜首的「obra/superpowers」飙到近 20 万星。它是 AI 编程脚手架，能让 AI 按专业流程产出高质量代码，解决开发者难题。GitHub 上 Agent 基础设施项目爆发，各公司也在布局，工程标准争夺激烈。
AI学会梦里干活！Claude发布3大进化，Dario：单人公司10亿美金爆发
在 Code with Claude 大会上，Anthropic 为 Claude Managed Agents 上线三项功能。‘做梦’解决记忆退化，成果评估自动检查工作，多 Agent 协作让复杂任务分工处理。Dario 称 AI 时代单人公司或达 10 亿美金营收。
震撼！AI物理「双修」：亥姆霍兹方程嵌进生成器，伪影当场消失
抢滩6G前夜，香港科技大学（广州）等机构发布PhyRMDM框架，将物理约束与生成模型能力融合，解决传统AI构建无线电地图预测失真问题，成果被顶会ACM MM 2025接收，代码和权重已开源。