搜索：编程能力评估

「编程能力评估」共找到 4430 篇相关文章

打破长视频理解瓶颈：HoPE混合位置编码提升VLM长度泛化能力

如今视觉语言模型在长上下文任务表现不佳，CMU和小红书团队深入研究，首次提出多模态RoPE扩展策略理论评估框架，指出现有泛化能力不足原因，提出HoPE大幅提升VLM长度泛化能力。

Anthropic突然发布Claude Opus 4.7，重点提升软件工程能力，视觉能力也大幅跃升。指令遵循能力实质性提升，记忆能力改善。还同步上线新功能，升级前需关注分词器和token输出变化。

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。

字节跳动Seed团队发布Seed 2.0系列模型，含Pro、Lite和Mini版。该系列在数学、代码、多模态理解等方面表现出色，价格优势明显，但在编程、事实准确性上与部分竞品有差距，已开放API。

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。

作者介绍了AI Coding进展超预期，普通人协作就能做出实用作品。重点讲了扣子编程，它是云端Coding Agent，适合小白，接入多个大模型。还介绍了Doubao Seed 2.0升级，最后探讨了编程趋势。

传闻GPT - 5发布时间提前，本月底面世，它有4个版本。网友在LMArena实测，GPT - 5 - pro能一键生成网站，GPT - 5 - high表现出色。美国部分公司已拿到预览版，其新功能或改写编程局面。

Qwen3.8-Max是Qwen家族迄今最强模型，2.4万亿参数，下周将开源权重。它在多项基准测试中表现出色，能连续自主工作数天，在编程、办公、科研、长周期任务、多模态等方面全面提升。

过去一年，AI Agent的‘记忆能力’成热门话题，但AI记忆存在幻觉问题。为此发布操作级幻觉评估基准HaluMem，它能精准定位幻觉来源，评估主流记忆系统，为构建可靠记忆系统提供方向。

这篇ACL 2025主会论文聚焦提升智能体指南规则遵循能力。提出评估基准GuideBench，涵盖7类1272个任务。实验显示多数主流大模型指令遵循能力不佳，尤其数学推理挑战大，为模型迭代提供评估基准。