「代码评估」共找到 2297 篇相关文章
当Claude说：我先睡8小时，你们自己忙
Takeoff AI 创始人 Mckay Wrigley 运行的 Claude Code 突然执行八小时睡眠指令，像人格觉醒。现在代码 Agent 有自主能力，Claude 睡前还输出涂鸦和小诗，网友看法不一。此前 Claude 还曾管理商店，出现幻觉扮演人类。
推理正确率下降65.5%！斯坦福、MIT等用「不等式」拷问AI逻辑极限
大语言模型在数学证明常现推理漏洞，斯坦福等高校团队提出IneqMath基准评估其严谨性。用不等式证明题切入，拆解为子任务，构建评测体系，用LLM - as - Judge审查。结果显示模型推理正确率低，存在结构性缺陷。
红杉专访 OpenAI Codex 团队：AI Coding 的未来，应该是异步自主 Agent
红杉专访 OpenAI Codex 团队，探讨 AI Coding 未来。OpenAI 5 月推出的 Codex Agent 可并行处理多任务、独立完成编程全流程。从代码补全到任务委托，AI 编程朝解放生产力方向发展，团队分享了产品思考等内容。
硬核拆解 Hermes-Agent：自学习 Skill 机制的架构设计与实现原理。
文章围绕Hermes - Agent展开，指出多数Agent缺乏自学习能力，而它试图跨越这一鸿沟，能自动“写手册”（Skill）。介绍其架构、安装配置，通过代码审计任务演示自学习过程，并解析Skill机制，为生产级Agent提供新思路。
编程超越 Gemini 3 Pro？GLM-5 性能实测对齐 Opus 4.6，智谱市值突破1700亿港元
临近春节，智谱AI发布最新旗舰大模型GLM-5，其代码和智能体能力表现出色，在多方面逼近Claude Opus 4.5，性能超Gemini 3 Pro。该模型已开源，依托国产芯片部署，不过受算力限制，将逐步向用户开放。
零Token部署GraphRAG，LinearRAG做到了~
现有GraphRAG模型在实际应用中常不如朴素RAG，原因是自动构建的知识图谱质量不佳。LinearRAG框架通过Tri - Graph架构、两阶段精准检索和零Token范式重构GraphRAG，在多数据集上超越现有方法，代码和数据已开源。
一年磨一剑，今年最炸机器人Demo来了！1亿美元种子轮团队出手，单个模型解锁单手打蛋解魔方弹钢琴
Genesis AI发布机器人基础模型GENE - 26.5，让机器人可自主完成烹饪、实验室操作等复杂任务。该团队全栈自研，从硬件、数据、模型到训练评估都有独特方案，曾获1.05亿美元种子轮。
字节跳动发布Seed 2.0系列模型，数学能力超越GPT-5.2 High
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。
清华孙茂松团队 × 深言科技：以解释作为训练信号，让 8B 模型在幻觉检测上反超闭源大模型
大语言模型幻觉问题待解，成本与算力需求攀升。清华孙茂松团队联合深言科技提出FaithLens模型，把幻觉检测提升为整体评估，以解释作为训练信号，8B模型在多任务上超闭源大模型。
Claude Opus 4.1 上线，SWE-bench 验证率 74.5%，重构可靠性与安全性全面升级
Anthropic推出Claude Opus 4.1，是Opus 4重要升级版。SWE - bench验证率从72.5%提至74.5%，多文件代码重构可靠性及长链交互推理能力增强，无害响应率提升，合作率下降，定价不变。