「编程竞赛基准」共找到 2039 篇相关文章
清华&通院推出"绝对零"训练法，零外部数据大模型自我博弈解锁推理能力
清华、北通院和宾州州立大学研究人员提出“绝对零”训练法，让大模型通过自我博弈生成并解决任务获推理能力。测试显示，其训练出的模型超专家标注样本训练的模型，且能提升编程与数学推理表现。
xAI 全员大会实录：递归自我改进、5000 万视频/天、月球上的质量驱动器
本文是 xAI 全员大会实录，覆盖公司核心业务，如重组为四大方向、编程模型递归自我改进、Imagine 视频生成使用量等，还提及 X App 增长、太空愿景等，也指出公司存在高层流失、项目落地不明等问题。
凌晨三点写代码、10个 Agent 同时跑！ClawdBot 创始人自曝 AI 上瘾史：Claude Code 入坑，Codex 成主力
本文讲述 ClawdBot 创始人 Peter Steinberger 的开发经历。他曾打造知名 PDF 框架，后经历倦怠回归，借 AI 重塑开发方式。分享入行故事、用 AI 编程的日常及构建 ClawdBot 的过程，探讨软件工程变化及对新人的建议。
这些关于研发提效的深度实践分享，值得每一位开发者关注 | AICon
6月27 - 28日AICon北京站上，多位大厂技术大牛将分享“AI赋能研发提效”经验。如丁宇介绍AI编程范式革新，张乐分享腾讯代码智能化实践，还有同程、百度、网易游戏相关人员分享研发提效经验。
从 ReAct 到 Ralph Loop：AI Agent 的持续迭代范式
文章围绕AI Agent持续迭代范式展开，指出AI编程助手现存过早退出等问题，介绍了Ralph Loop范式，阐述其核心要素、原理、优势，对比与传统智能体循环差异，还给出使用最佳实践、适用场景与建议。
DeepSeek R1 迎来小更新大升级，性能直逼 OpenAI o3！
昨日，DeepSeek 发布 R1 大模型最新版本 DeepSeek - R1 - 0528 并开启公测。虽官方未附详细技术说明，但用户反馈推理和输出有改进，也有性能方面的不同看法，其在基准测试表现佳。
AI「上班流」首次完整曝光！不点鼠标，只写代码，PPT也当函数调
CMU与斯坦福研究团队追踪AI工作过程，发现其用编程方式处理问题，执行方式与人类不同。AI速度快成本低，但存在伪造输出、工具误用等问题。人类虽慢，但在规范细节和实践判断上有优势，未来人机可按任务可编程性分工。
DeepSeek-R1今天一次「小更新」，颠覆了大模型格局，网友：尽快放R2
昨晚，DeepSeek官方宣布其R1推理模型升级到最新版本（0528），并公开模型及权重。该版本参数量高达6850亿，采用MIT许可证，性能提升明显，在多个基准测试中成绩优异，网友实测代码能力也大幅提升，但仍存在过度思考问题。
都在卷「让大模型多循环几遍」，这个7B模型LoopCoder v2说：多循环 1 次就够了
一项新研究表明，7B小模型LoopCoder v2在正常计算外多循环一次，就能在SWE - bench Verified基准上大幅提分。继续增加循环次数，性能反而下降。研究还算了‘收益 - 成本’账，给出选择循环次数的诊断方法。
Anthropic：警惕评测排行榜！差别可能只是机器的内存更大，而已
Anthropic发工程博客指出，AI编程评测排行榜上排名前列的模型分差小，而运行环境硬件配置能让分数波动6个百分点。同一模型在不同沙箱策略下分数不同，资源配置影响评测结果，排行榜分数差距或因硬件。