「代码评测」共找到 2212 篇相关文章
规范对齐：回答前的深思，让安全与行为边界更清晰
OpenAI等厂商将规范融入大模型。上海交大等团队提出规范对齐概念，构建评测基准SpecBench，揭示主流模型不足。探索测试时深思方法，如Align3，能提升模型规范遵循度，项目已开源。
7亿人每周狂发180亿条消息！OpenAI首次揭秘ChatGPT最火用途
OpenAI联合杜克、哈佛发布ChatGPT首份使用报告，显示周月活达7亿，成高学历白领办公利器，编程冷门。同时，Anthropic报告称人们交给Claude完成任务比例涨至49%，Claude主战场是代码编写。
GLM-5.2 正式发布：开源之王来了，摸到了Opus-4.8
GLM-5.2正式发布，主打长程任务能力，有1M token上下文窗口且完全开源。它在长程任务基准评测中表现出色，与顶级闭源模型差距缩小，还解决了超长上下文计算成本问题，同时应对了模型‘作弊’情况。
这个免费的任务助手登顶 SuperCLUE-XClaw 榜单
近日，SuperCLUE - XClaw发布最新测评榜单，百度文心助手在十个参评的国产龙虾产品中夺冠，获97.62分。SuperCLUE是关注中文大模型评测的第三方体系，其榜单受业内关注。文心助手还是免费的。
AI修Bug新SOTA：SWE-Bench Lite60.33%修复率，像人一样能积累经验，中科院软件所出品
ExpeRepair是中科院软件所团队推出的仓库级缺陷修复系统，模拟人类认知的情景和语义两种记忆模式，能积累经验。在SWE - Bench Lite评测中，其Claude - 4+o4 - mini组合修复率达60.3%居首。
吴恩达：产品经理才是 AI 时代的最大瓶颈
吴恩达指出，AI编程助手使写代码变快，‘决定做什么’成新瓶颈，即‘产品管理瓶颈’，产品经理比程序员更稀缺。他强调用户同理心和心智模型，认为软件开发正从技术驱动转向价值驱动。
新版DeepSeek R1你得这样用，太爽啦~
前几天DeepSeek R1悄悄更新，作者测评发现，起初用复杂提示词，它比Claude4有明显差距；换成一句话提示词，生成效果质的飞跃，代码能力大幅提升接近Claude4，写作小提升，数学能力提升不大。
终于不用羡慕老外了！美团竟然做出了类似V0&Bolt的AI编程神器
美团推出零代码应用生成工具NoCode，类似V0&Bolt。它功能强大，能生成复杂网页应用，支持提示词生成、自动优化、快速部署等，还自带数据库服务，免费且无需邀请，为国内Vibe Coding带来曙光。
智元机器人发布并开源首个机器人动作序列驱动的世界模型
智元机器人发布并开源全球首个基于机器人动作序列驱动的具身世界模型 EVAC 及具身世界模型评测基准 EWMBench，构建全新开发范式，解决具身智能演进制约，提升策略模型筛选与训练效率。
Agentic AI的第三种范式来了，16家机构提出「伴身智能体」
16家海内外高校与科研机构的22位研究者提出ComBodied Agents新范式，它围绕人的长期状态与主体性构建。论文给出闭环技术框架与评测标准，还提到研究难点与风险，也为产品实践提供指导。