「编程测评」共找到 1191 篇相关文章
WAIC抢先爆料：金融“黑马”大模型超DeepSeek刷新SOTA，论文已上线
WAIC期间，蚂蚁数科金融推理大模型发布会未开，论文已上线。其新模型Agentar - Fin - R1有8B和32B版，在金融测评集超DeepSeek等，还兼顾专业与通用，蚂蚁数科还提出评测基准Finova。
5款大模型考「山东卷」，Gemini、豆包分别获文理第一名
近日，字节跳动Seed团队用2025年山东高考真题对5款大模型进行全科闭卷测评。结果显示，豆包Seed1.6 - Thinking获文科第一，Gemini 2.5 Pro获理科第一。大模型一年间进步显著，未来或融入更多领域。
MiniMax深夜开源首个推理模型M1，这次是真的卷到DeepSeek了。
MiniMax深夜开源首个推理模型M1，其上下文能力媲美Gemini 2.5 Pro。M1在部分评测中表现中规中矩，但在MRCR（4 - needle）测试中屠榜。它得益于MiniMax - 01基座模型，应用Lightning Attention机制，开源了40K和80K两个版本。
让GPT-4.1「头皮发麻的考试」！OpenAI给大模型上强度，AI能赢吗？
OpenAI 公布 MRCR 评测标准数据集，其针对 AI 模型上下文能力进行「奥运会」级别测评。MRCR 提升了测试难度，能揭示 AI 能力边界，推动模型发展，帮助更合理应用技术。GPT4.1 在一些测试中表现出色，未来 AI 能力上限充满可能。
Qwen3.8-Max首发上线阿里千问AI平台，API服务与Token Plan同步开放
今日，阿里巴巴发布新一代基座大模型Qwen3.8，千问AI平台首发其Max版API服务与Token Plan。Qwen3.8参数量2.4万亿，性能居前列，推理快且能自主编程。API性价比高，平台还为Token Plan用户提供优惠。
甲小姐对话郝景芳：从北京折叠到AI折叠 | 甲子光年
这是甲小姐与郝景芳的对话，探讨AI对工作、社会、教育等方面的影响。郝景芳分享创业经历，谈AI编程体验，分析AI时代公司组织、就业、社会阶层变化，还探讨AI应用、素养普及、人类角色等问题，表达对人性和社会发展的看法。
OpenAI 设计师：不写代码的设计师，将成为团队瓶颈
OpenAI 的 Ed Bayes 和 Figma AI 设计总监 Gui Seiz 深度对谈，探讨 AI 打通编程与设计工具后设计师工作流程的变化。涉及画布与代码的使用、代码与设计稿同步、实际应用效果、工作方式转变等内容，还给出新手入门建议。
Claude版Manus只用10天搓出，代码全AI写的！网友：小扎140亿并购像冤大头
Claude Cowork是面向工作场景的通用智能体，基于Anthropic自研模型打造。开发约10天，代码全由Claude Code写，人类仅负责规划等。它让非编程用户能用AI能力，这让扎克伯格20亿买Manus的操作显得冤。
王兴一鸣惊人！美团首个开源大模型追平DeepSeek-V3.1
美团首个开源大模型Longcat-Flash-Chat发布即引发热议。它在部分benchmark上超DeepSeek-V3.1等，编程能力也出色。技术报告透露美团对大模型的理解，还有新发现，且性能好、训练效率高。
谢赛宁团队新基准让LLM集体自闭，DeepSeek R1、Gemini 2.5 Pro都是零分
纽约大学等8家机构研究者提出LiveCodeBench Pro竞技编程基准测试，评估了Gemini 2.5 Pro等前沿大模型。发现当前模型有显著不足，在无外部工具时，高难度题通过率为0，LLM与人类大师级水平差距明显。