「编程基准」共找到 1884 篇相关文章
谷歌推出 Jules：一款基于 Gemini 2.5 的异步编程智能体
谷歌将异步智能编程助手 Jules 正式发布，它基于 Gemini 2.5 Pro 模型，可执行多种编程活动。采用异步模式，直接接入代码库。测试阶段开发者反馈多，正式版有三种访问层级，但部分用户对其界面和输出质量不满。
GPT-5准确率不足40%！北大发布多模态、高难度化学基准SUPERChem
北大团队发布多模态、高难度化学基准SUPERChem，构建评估大语言模型化学推理能力新体系。测试显示，GPT - 5准确率仅38.5%，与低年级本科生相当，且模型在高阶推理有短板，该基准为模型优化指明方向。
SpaceX一分现金没花收购Cursor，马斯克吞下AI编程工具第一名
SpaceX在IPO第四天，以600亿美元全股票方式收购AI编程工具Cursor母公司Anysphere。Cursor商业增长快，但市场份额下降且算力不足。收购是马斯克算力布局收尾，还将发布联合模型及编程代理工具。
日本AI王者，CTO是Transformer之父，刚拿下世界编程竞赛冠军
在ICFP 2025编程大赛中，日本Sakana AI的「Team Unagi」以人机共创模式夺冠。其AI系统「ShinkaEvolve」优化代码，性能提升近十倍，还启发人类思维。Sakana AI以自然进化为理念，探索AI新范式。
DeepSeek V4爆春节登场！四大杀招突袭全球编程王座，Claude危
据爆料，DeepSeek计划在2月中旬春节前后发布V4模型，剑指编程王座。其在编程能力、超长上下文代码处理、算法提升、推理能力上有突破，或延续高性价比路线，在受限硬件下靠算法取胜。
InfoDeepSeek：首个开放网络环境下的智能体信息搜寻质量评估基准
上海交通大学与华为诺亚方舟实验室联合推出InfoDeepSeek，它是首个评估真实动态网络环境下智能体信息搜寻质量的基准。该基准有挑战性问题、真实动态环境等亮点，还开展实验揭示智能体行为特性。
把 AI Coding Agent 搬进终端：Crush 让你的命令行变成“编程搭子”
Crush是Charmbracelet出品的终端AI编程代理，可将工具、代码和工作流接到所选LLM，在终端协同工作。它有多模型、会话制等特点，适合终端重度用户等，还介绍了安装、使用及进阶玩法。
T2R-Bench发布：业内首个由表格生成报告工业基准
为解决大语言模型将表格信息转化为报告的难题，研究团队提出“表格到报告”任务，构建双语基准T2R - bench，其涵盖多垂域表格，还设计评价指标体系，实验显示大模型在该基准上提升空间大。
国产模型编程能力卷到这个程度了？MiniMax-M2.5 深度实测
文章深度实测MiniMax-M2.5编程能力，用其开发多款游戏和点名工具，结果出色。还分析其底层技术，如原生Agent RL框架、过程奖励机制等，指出它性价比高，虽有不足但值得关注。
2.6K Star！GitHub 上这个开源桌宠，用一只小螃蟹就能监控你的 AI 编程助手！
介绍开源桌宠 Clawd，它是为 AI 编程助手设计的实时状态监控器，有 12 种萌趣动画状态，支持 10+ 主流工具，具备权限审批等实用功能，零配置开箱即用。