「代码评测」共找到 2202 篇相关文章
鹏城实验室 X 中大hcp实验室推出 RADAR : 具身智能评测的新标杆
RADAR是鹏城实验室与中大hcp实验室为具身智能领域设计的评测基准，解决现有评测体系三大缺陷，通过创新设计揭示模型不足，为研究者提供方向，推动具身智能实用化。
再见，人类程序员！OpenAI自曝：一行代码都不写了，100%用Codex
OpenAI研究员Roon称Codex已接管其100%代码编写工作，内部爆料还显示Codex助力三天搭服务器、三周推APP。Codex CLI更新至0.9+，但AI代码审查成难题，开发者和非开发者面临不同挑战。
NeurIPS 2025 | 蚂蚁CGM：图融合架构重塑代码大模型，探索非 Agent 新范式
在NeurIPS 2025上，蚂蚁将展示Code Graph Model (CGM)。它把代码库图结构集成到开源LLM，开启新范式，在代码库级任务上以非Agent方案登顶开放权重模型榜首，解决了复杂软件工程的Agent依赖难题。
OpenAI首个GPT-5找Bug智能体：全自动读代码找漏洞写修复
OpenAI发布由GPT - 5驱动的白帽Agent——Aardvark，能在大规模代码库自动发现并修复安全漏洞。它不依赖传统技术，工作流程清晰，已开启内测。10月多家科技巨头也布局Agentic AI + 代码安全。
完全相信 AI 代码的 Uncle Bob，坦诚这条路还没走通
在AI代码普及当下，Uncle Bob放弃人工评审代码，搭建管控框架引争议，Grady Booch反对，认为AI无法替代资深工程师。Uncle Bob设强约束体系，虽有成效但自动化架构规划未达理想，还给出开发建议。
CVPR 2025 Highlight｜北大联手智元发布首个基于说明书的家电操作评测基准
北大联合智元团队提出全新家电操作评测基准 CheckManual，被 CVPR 2025 接收并评为 Highlight。它有拟真说明书与多样资产、契合实际的评测任务、首个操作规划模型 ManualPlan 等优势，还做了相关实验。
AI 写代码老出错？Code Rabbit 来给 Cursor 当“纠错教练”，边写边改。
Cursor的AI Agent写代码虽强但易出错，Code Rabbit可当“纠错教练”。它本用于审查GitHub PR和commit，现推出VS Code、Cursor等插件，能分析代码改动、提建议，与Cursor配合可减少bug。
对话清华商宇丨从生成视频到支撑行动，世界模型需要新的评测标准
文章围绕清华团队提出的 WorldArena 评测框架展开。它针对具身世界模型，对过去沿用视频生成的评测逻辑重新审视，从视觉质量和功能性任务两维度评估，推动世界模型从‘生成世界’迈向‘使用世界’。
曾对AI嗤之以鼻，如今2周生成7万行代码：Rust大佬与Claude联手打造新语言Rue
2025年，Rust社区早期核心人物Steve Klabnik心态转变，开始借助Claude编写代码。他重启念头设计新语言Rue，探索编程语言‘中间地带’，两周生成约7万行代码，开发中人与AI分工明确。
先设计再写代码，还是先实现再重构？AI 编程让这种选择变的简单
传统手工编程时代，先设计再写代码和先实现再重构存在争论。AI编程让选择变简单，可先设计生成代码，再改进设计生成。还需在开发工具和流程上配合，新人更易适应。