「代码修复评测」共找到 2322 篇相关文章
116页论文教你「蒸馏」Claude、GPT-5.6：AI社区今天炸了
一篇前沿大模型安全漏洞论文引发热议，指出各大模型 API 设计缺陷，可提取隐藏思维链。同一模型家族安全能力不对称，攻击者可利用此漏洞，还介绍了攻击路径、实验及修复建议。
Agnes AI 实测：AI 编程真正的瓶颈，99%的人想错了
本文实测Agnes AI，指出AI编程瓶颈在于缓存命中率，而非模型智商。介绍其产品线、评测成绩与价格优势，还分享客户端体验，包括亮点、回滚事故及日志结论，最后点明智能免费后验证更稀缺。
用Codex做跨境电商：第二章
本章探讨为何选Codex承载跨境电商工作方法。它将多种功能置于同一工作环境，适合跨境卖家沉淀业务资产。Codex不仅能写代码，还能围绕项目完成读材料、写产出、受控执行等任务。
直面LeCun愿景，智在无界发布最强具身世界模型，20万小时人类视频屠榜6大榜单
智在无界作为人类视频学习路线开创者，4月14日发布第三代旗舰模型Being - H0.7，用20万小时人类视频训练，提出新范式，在6项权威评测中综合排名全球第一，拓展了世界模型能力边界。
龙虾“黑入”卡帕西家的智能家居系统：本来需要控制六个软件，现在用WhatsApp就能操控
特斯拉前AI总监卡帕西做客播客，分享诸多AI观点。如编程成个人能力问题，可让AI写代码；用龙虾打理智能家居，整合多软件；还谈及autoresearch、模型能力断层、模型分化、开源闭源格局等内容。
有什么事情是当了程序员之后才知道的？
本文是腾讯程序员分享当程序员后才知道的事，如改一行代码能崩项目、本地部署模型可免费搞定等，还给出多个有趣观点，最后发起评论互动并抽取粉丝送Q币卡。
大模型转行土木工程！首个「打灰人」评估基准：检验读、改工程图纸能力
首个工程自动化任务评估基准DrafterBench，可测试大模型在土木工程图纸修改任务中的表现。它模拟真实工程命令，考察模型四方面能力。评测发现主流大模型有一定能力，但未达工程一线要求。
中国ToB软件公司想赚钱，先对AI Coding祛魅
文章指出AI Coding产品虽对专业开发者提效，但服务公民开发者时存在问题。对比‘Code + GenAI’与‘No Code + GenAI’，认为无代码平台更适配公民开发者，虽面临挑战，但短期内是企业软件定制最优解。
WAIC抢先爆料：金融“黑马”大模型超DeepSeek刷新SOTA，论文已上线
WAIC期间，蚂蚁数科金融推理大模型发布会未开，论文已上线。其新模型Agentar - Fin - R1有8B和32B版，在金融测评集超DeepSeek等，还兼顾专业与通用，蚂蚁数科还提出评测基准Finova。
Linux之父又开喷：AI泡沫“病态扭曲、迟早暴跌”、马斯克式KPI“愚蠢到不该待在科技圈”
Linus Torvalds 在节目中谈诸多话题。他认为 AI 是泡沫且市场叙事病态，迟早暴跌，但也会改变社会和工作方式；不认同用代码行数衡量绩效，称此举愚蠢。还谈了对 Linux、Git、微软等看法，以及装机细节。