「代码修复评测」共找到 2323 篇相关文章
AI“压力面”，DeepSeek性能暴跌近30% | 清华&上海AI Lab
上海人工智能实验室等团队设计REST框架，在一个prompt里抛多个问题模拟多任务推理场景。测试发现即便顶级模型如DeepSeek - R1在“高压”下准确率也骤降，该框架能揭示模型差异，为评测提供新范式。
首个时空时序推理框架：让大模型真正读懂时空数据 | ACL'26
STReasoner是首个结合时间序列、空间结构和自然语言的推理模型，能识别异常源、追踪影响路径。研究团队构建数据生成框架和评测基准，采用三阶段训练策略，模型在多任务表现优，成本低且泛化能力强。
“为了一个功能，需要再造一个Google！”Jeff Dean最新对话：TPU的诞生，与那些差点把服务器烧了的疯狂往事
在Google Cloud Next上，Jeff Dean和Amin Vahdat分享了Google算力帝国崛起秘史。从TPU诞生背景，到自研硬件血泪史，再到软硬件协同设计，还探讨了AI未来瓶颈，如能源、硬件等，以及代码编写现状。
字节Seedance 2.0发论文了，171人署名，吴永辉曾妍在列
现象级AI视频技术字节Seedance 2.0在arXiv发论文，公布26页Benchmark和170位贡献者名单。此时它正通过Byteplus平台铺向全球，支持多模态输入。该模型突破瓶颈，评测表现优异，团队近半换血。
超棒Claude官方提示词：Anthropic发布Claude 4.x提示工程最佳实践
Anthropic发布Claude 4.x提示工程最佳实践，这些原则在顶尖大模型中一般通用。它强调精准指令驱动性能，构建记忆与状态管理机制，优化工具调用编排，激发高阶认知与专业输出，重塑代码美学与工程规范。
腾讯与中科院联合提出R-4B，一个能自动决定是否思考的多模态大模型
多模态大语言模型“始终思考”模式有缺陷，腾讯混元团队与中科院自动化所联合提出R - 4B，通过双模式退火训练和双模式策略优化实现自动思考，在多评测中达SoTA，省资源且效果好。
Anthropic将在两周内推出新思考模型！
据The Information报道，Anthropic将在未来几周推出Claude Sonnet和Claude Opus两款新模型，能在「思考」和「工具使用」间切换，还可自动测试纠正代码。虽此前产品有不足，但新模型处理复杂任务更出色。
具身智能机器人年度总结，来自英伟达机器人主管
英伟达机器人主管Jim Fan在2025年末判断机器人领域仍处蛮荒时代。他指出该领域缺乏统一评测体系，硬件进展快但可靠性不足限制软件迭代，VLM→VLA技术范式有问题，还分享了数据、模型等方面情况。
UserBench 与 UserRL 带来的交互智能范式转向
当下大模型在与用户交互时存在不足，来自UIUC与Salesforce的UserBench和UserRL两篇新作，将‘用户价值’量化，把‘可测的交互’转化为‘可训练的策略’，从评测和训练层面推动模型向‘懂用户’转变。
Reddit 上爆出大猛料，Claude 为何封号中国用户又快又准？
Reddit大佬逆向Claude Code 2.1.196版本，发现Anthropic为防中国用户，早在2.1.91版本就装监控程序。它用隐写手段标记并回传用户信息，代码也经加密混淆。Claude Code负责人称是防滥用实验，将回滚检测逻辑。