「Coding 基准测试」共找到 2878 篇相关文章
Claude code让程序员消失，Anthropic却说用AI编程会让你变傻
Anthropic科学家实验发现，新手过度依赖AI编程，概念理解、代码阅读和调试能力显著退化，效率未提升。研究识别六种AI使用模式，指出主动思考才是技能形成途径，应保留人脑训练的“摩擦力”。
测试时Scaling或是最大错觉，Google：R1/O1强推理另有原因
Google 112 页论文实证，OpenAI 的 o 系列等模型推理能力提升并非仅因计算时间延长，而是源于对复杂互动的隐式模拟。通过三重验证表明推理能力跃迁或因‘吵得更凶’，而非‘算得更久’。
让 AI 自己打怪升级，Meta用Self-play RL把Coding推向超级智能
Meta FAIR、Meta TBD Lab等朝着“超级智能软件工程Agent”迈出第一步。SSR让大模型零人类标注，靠自生成Bug和自修复稳定碾压人类数据基线，新旧范式对比优势明显，还介绍方法、实验结果与理论洞察。
Cursor定价又更新，直接变成" 买API "，Coding 产品包月模式走不下去了
Cursor一年三变价，9月15号后个人版按模型推理用量计费，有Pro、Pro Plus、Ultra方案，还对大学生免费计划二次验证。因模型成本涨、竞争大，包月模式难以为继，多家编程工具都调整定价。
2025科技圈最新职位：“Vibe Coding擦屁股工程师”，专治老板们的决策性Bug
生成式AI兴起后，科技公司CEO用其取代员工致大量裁员。但“氛围编程”效果不佳，AI生成代码常需修复，“氛围编程清理专家”应运而生，市场需求或不断增长，不过网友对此看法不一。
从第一性原理出发的RAG推理新范式来了，蚂蚁DIVER登顶权威基准
当前RAG系统处理多步逻辑推理任务有局限，蚂蚁集团团队提出DIVER框架解决推理密集型检索难题。它将检索任务分四阶段，在BRIGHT榜单领先，行业对比优势明显，医疗应用效果好。
MLLM集体翻车，缺乏婴儿级常识！业界首个核心认知基准发布，LeCun转赞
当前大模型在12项核心认知上普遍落后人类10 - 30%，越大的模型越易靠「背答案」糊弄。团队公开首个系统评测框架和题库，用Concept Hacking方法识破模型真假理解，指出模型存在核心知识缺失等问题。
让ChatGPT连读“A”，直接崩溃到念广告词，网友：拿付费用户做测试呢？
ChatGPT付费用户体验高级语音模式时遇怪事，正常聊寿司时突然插播广告，连读“A”也会如此。网友猜测是广告插入或“幻觉”，OpenAI技术人员称是幻觉，而国产AI无此问题。
AI 视频生成“试金石”：谷歌 Veo 3 体操“图灵测试”未达标，仍是“抽象派”！
谷歌新出的Veo 3视频生成模型画质惊艳且能开口说话，但生成体操动作效果差，像“抽象派”。虽存在生成不准问题，但物理效果比其他模型好。有人建议其与专业动捕公司合作，音画一体或成视频模型竞赛标配。
终于找到一个开源神器！用画布喂给 Claude Code，上下文再也不用打字说了！
开发者用文字向 AI 说明需求繁琐，思路易跑偏。BonsAI 是 macOS 原生应用，提供无限画布，可让 Agent 实时读取改写。它亮点多，还有连接器功能，能成编程工具‘前置处理器’。