「Coding 基准测试」共找到 2878 篇相关文章
首个英文原生「弱智吧」！逻辑谬误数据集与生成框架来了 | AAAI'26
研究发现大模型判断逻辑谬误易误报正常句子，但分类能力较强。研究人员构建英文逻辑谬误基准SMARTYPAT - BENCH，开发生成框架SMARTYPAT，为大模型逻辑评估提供新思路，可用于多领域。
吴恩达发布论文自动审阅器，ICLR上达到接近人类水平
目前学术会议论文评审无统一规范，投稿量膨胀致审稿周期冗长。吴恩达发布‘Agentic Reviewer’，在ICLR 2025数据测试中接近人类水平，现阶段在arXiv研究领域表现佳，但仍处实验阶段。
Windows AI助手免费进化！能操作电脑、登录网页、生成代码
Windows Copilot正式更新，Microsoft 365 Copilot中Researcher智能体新增“计算机使用”能力，能操作电脑、登录网页、生成代码等。更新已在预览版上线，还介绍了其运行机制和性能测试情况。
OpenAI Codex彻底火了，4个官方前端提示示例给你
OpenAI Codex热度飙升，很多用户从Claude code转投其怀抱。它在响应式和移动端前端开发表现出色，文中给出像素游戏、工作管理平台等4个官方前端提示示例及中英文表述。
仅需一行代码AI智商飙升成本反降！Claude推出军师模式：最强模型opus只做幕后大脑
Anthropic在Claude平台实装军师策略，让Opus模型后台当军师，轻量级模型当执行者。仅改一行代码就能实现，成本低且能提升智商，已开启Beta测试，还给出使用步骤。
刷榜只是体力活！清华消费10万块，一周「肝」出105个SOTA
AutoSOTA通过多智能体协作，将AI研究中繁琐的性能优化过程自动化，使科研从「手工艺」转向「工业流水线」。在一周压力测试中，消耗约10.4万美元，发现105个SOTA模型，平均性能提升近10%。
Claude 4破解困扰人类4年系统bug，30年码龄程序员200小时没搞定，GPT-4.1/Gemini-2.5也做不到
30年码龄程序员4年没搞定的顽固型‘白鲸bug’，Claude Opus 4配合Code模式，用30个prompt+1次重启，几小时就破解。此前GPT - 4.1等模型都失败，凸显Claude编程与推理能力强。
苹果与Anthropic合作，开发AI编程助手
彭博消息，苹果与Anthropic合作，为Xcode打造AI编程助手，集成ClaudeSonnet大模型，可自动完成代码编写等工作。现处内部测试，若顺利将向第三方开发者发布，有望改变苹果平台应用开发方式。
陶哲轩亲测Claude跑崩电脑，全靠这份保姆级指令清单翻盘
全球顶尖数学家陶哲轩实测Claude Code，首次完全放权致电脑崩溃。后拆分任务、给出「保姆级」指令，约半小时完成证明。他强调人类应保持「人类在环」，拒绝过度依赖AI。
智谱GLM-5强调的Agentic Engineering能力是什么？｜甲子光年
智谱上线并开源GLM - 5，在Coding与Agent能力上达开源SOTA，刺激股价上涨。它验证了Agentic Engineering可行性，提升能力阈值，但成本阈值也更显性，未来软件工程或分层发展。