搜索：编程基准测试

「编程基准测试」共找到 2950 篇相关文章

微软开源新版Phi-4：推理效率暴涨10倍，笔记本可运行

今天凌晨微软官网开源Phi - 4家族最新版Phi - 4 - mini - flash - reasoning，它参数小性能强，适合边缘设备。采用自研SambaY架构，推理效率涨10倍，延迟降2 - 3倍，多场景测试表现优异。

智源研究院发布国产开源统一图像生成模型OmniGen 2.0版本。它增强理解与生成能力，打通多模态生态。玩法简单，技术有创新，还引入反思机制和新基准，推理效率提升，且将全面开源。

2024年9月智源研究院发布统一图像生成模型OmniGen，获社区好评。近期OmniGen升级为OmniGen2，增强多方面能力且全面开源。它采用新架构与策略，有反思机制，玩法丰富，还推出新基准优化部署。

MetaAgentX团队推出Open CaptchaWorld平台，用于测试Agent解验证码能力。实测SOTA多模态模型成功率低，如GPT - 4o也被难住。该平台特点多样，揭示了当前Agent短板及模型设计新方向。

当AI智能体走向真实应用，前沿风险藏于复杂长尾场景，难以靠人工覆盖。创智、复旦、牛津联合发布AutoControl Arena框架，自动合成可执行测试环境，还构建X - BENCH验证，已在GitHub开源。

文章提出 AgentVista 评测基准，含 209 道任务，横跨 7 大领域 25 个子方向。评测 14 个主流模型，最强的 Gemini - 3 - Pro 准确率仅 27.27%，揭示多模态 Agent 在视觉理解、工具调用等方面挑战大。

Node.js之父Ryan Dahl和Redis之父Salvatore Sanfilippo都认为人类手写代码时代落幕，AI编程已广泛应用。不过，大佬们强调程序员不会失业，他们的工作会从写代码转为提需求。

OpenAI推出GPT - 5.2系列，是适合专业知识工作的模型。它在专业工作表现、编程能力、可靠性与安全性等多方面有提升，定价公布，已向付费用户逐步推出，此次更新重在夯实基础。

OpenAI推出由GPT - 5驱动的自主安全研究智能体Aardvark，用于软件安全保障。它能持续分析代码仓库，识别并修复漏洞，目前在内部及合作伙伴代码库效果良好，正处私有测试阶段。

智能GitHub Copilot副驾驶等生成式AI技术出现，使编程从“指令式”转向“意图式”。开发者需具备对问题、模型、交互的新“品味”，微软相关工具顺应此趋势，峰会将探讨相关话题。