「编程评测」共找到 1658 篇相关文章
Anthropic CEO Dario Amodei 访谈：我们正在接近指数的终点
Anthropic CEO Dario Amodei 三年前预测基本兑现，此次访谈更放豪言，称 1 - 3 年内有 50% 概率出现“天才之国”，10 年内 90% 确信。访谈覆盖诸多关键问题，如 Scaling 原理、AI 编程生产力、AI 公司盈利模式等。
百川开源医疗大模型 M3，王小川：今年会发布两款 ToC 产品，正在做硬件
1月初OpenAI、Anthropic推出医疗产品，百川智能也开源医疗大模型Baichuan - M3，评测成绩突出。王小川表示今年会发布两款ToC产品，还在做硬件，阐述了百川在医疗领域的目标与策略。
又是中国团队！一条链接出片，电商AI视频迎来「DeepSeek时刻」
电商AI视频此前生成效果不佳，难以用于投放。营赛AI发布的inSai Hilight是“下一代营销视频解决方案”，在权威评测中表现出色，能保证商品和数字人一致性，靠知识图谱等技术实现高质量视频生成。
DeepSeek-V3.2正式版发布，将开源模型的能力推向极致
DeepSeek-V3.2正式版开源，包含标准版和Special版。它采用稀疏注意力机制，降低计算复杂度。后训练阶段有多项算法改进，支撑高难度推理。还融合思考与工具使用，合成训练数据，在智能体评测表现优异。
理解规范驱动开发：Kiro、spec-kit和Tessl
作者尝试理解规范驱动开发（SDD），查看了 Kiro、spec - kit 和 Tessl 三个自称 SDD 的工具。介绍了 SDD 定义、规范含义，分析评估工具的挑战，还指出工具存在不适合多数编程问题、审查体验差等问题。
“美国大豆包”Gemini翻身：输出速度碾压同行、智能水平重回第一梯队
过去 Gemini 被吐槽，如今 Google 推出 Gemini 3.8 Flash，六周内第三款 Flash、四个月内第四次更新。新模型成绩佳，输出快，成本低，智能体评测进步大，从经济型选项成生产主力，但实际表现待检验。
VL-LN Bench：模拟「边走边问找具体目标」的真实导航场景
上海人工智能实验室等研究者完成VL - LN Bench，模拟真实导航场景。它构建自动化数据收集管线，依托InternVLA - N1训练评测。结果显示主动对话可提升表现，但当前方法在实例感知对齐等环节有短板。
GPT-5 终于发布：别慌、AGI 还没来，第一手的上手体验在这里
GPT-5 发布，距离 GPT-4 发布已过 2 年。它能力强、定价有竞争力，是首个「统一」AI 模型，幻觉率低、代码能力强。免费用户可默认使用，Plus 和 Pro 订阅用户有不同使用额度。开发者可使用三种模式，代码能力测试案例可参考相关网站。
当200位具身从业者被拉进同一个屋子
量子位等联合发起沙龙，近200位具身从业者探讨具身智能从实验室走进物理世界的问题。乐聚工程师指出具身数据瓶颈，蚂蚁灵波郑可成介绍模型，上海交大李永露分享评测基准，圆桌对话探讨数据挑战与破局路径。
挤干大模型高分「水分」！最强模型仅49分，南大傅朝友发布Video-MME-v2
南京大学傅朝友团队在 Google Gemini 评测团队邀约下推出视频理解新基准 Video-MME-v2。它有创新的分层能力体系与组级非线性评分，揭示模型与人类的巨大鸿沟、传统 Acc 指标虚高、“Thinking”并非总是增益等现象。