「编程基准测试」共找到 2946 篇相关文章
GPT-5编程专用版发布！独立连续编程7小时，简单任务提速10倍，VS Code就能用
OpenAI推出GPT-5-Codex特化版模型，支持独立连续编程7小时，有IDE插件版。新模型有“真·动态思考”能力，简单任务提速10倍，复杂任务推理更久。还重构了Codex产品体系，升级IDE扩展等。
Karpathy最新脑洞「细菌编程」：优秀的代码应该具备细菌的三大特质
大神Karpathy提出“细菌编程”新概念，代码要有小而精、模块化、自包含且易复制粘贴的特点，让开源社区发展。他还提出过“软件3.0”“氛围编程”等概念，这些脑洞或成未来编程范式信号。
马斯克想要「杀死」氛围编程，就像FSD搞定自动驾驶
马斯克在X平台称xAI将消除氛围编程，让它回归纯粹编程，能按描述制作应用。氛围编程借助AI根据自然语言指令自动生成代码，若xAI愿景成真，软件开发范式或转变，程序员工作模式也将改变。
构建会思考的测试Agent：从自动化到自主智能的演进
文章介绍面向企业级软件测试的质量数字人系统，结合大语言模型等实现从传统到自主智能测试跨越。分析专有云测试困境，指出通用AI Agent平台局限，阐述系统设计、能力及架构，展示应用成果并展望扩展场景与未来计划。
Hexstrike AI在多个工具及模型上的渗透测试表现
文章围绕Hexstrike AI在多个工具及模型上的渗透测试展开。介绍测试环境，用不同难度靶机测试。分析Claude desktop+Sonnet 4.5、AIaW+Deepseek、Cursor+多个模型等组合表现，指出LLM辅助渗透测试任重道远。
全球首个历史基准！普林复旦打造AI历史助手，AI破圈人文学科
普林斯顿大学AI实验室与复旦大学历史学系联手推出全球首个历史领域评测基准HistBench及AI助手HistAgent。HistBench含414道题，能检验AI深度认知能力；HistAgent集成多种工具，在测试中表现优异。
DeepSeek-OCR是「长文本理解」未来方向吗？中科院新基准给出答案
DeepSeek-OCR的视觉文本压缩技术降低长文本处理成本，中科院自动化所等团队推出VTCBench基准测试评估模型视觉认知，含三大任务及衍生版本，测试结果有‘U型曲线’，还评测多种尖端模型。
刚刚，阿里旗舰模型Qwen3-Max-Thinking发布，编程能力“踢馆”Gemini与Claude
阿里发布旗舰模型Qwen3-Max-Thinking，总参数超1万亿，在多项权威基准测试中表现优异，可与顶级闭源模型竞争。千问团队为其引入两项核心创新，提升推理性能，该模型已可免费体验。
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。
只会「氛围编程」，永远成不了真正工程师！还差这几个关键环节
火遍全网的「氛围编程」（Vibe Coding）让编程门槛降低，但与专业软件工程师仍有差距。文章解析了差距所在，如AI编程需精确指令，软件工程复杂，对程序员「品味」要求变高，还探讨了编程未来及Vibe Coding的挑战。