「编程基准测试」共找到 2950 篇相关文章
鹅厂员工都是怎么被AI“糊弄”的？
文章邀请鹅厂同事分享被AI“糊弄”的离谱事件，如AI在发票报销、数学计算、编程问题等方面出错，还会编造不存在的信息，其“系统性可信”假象比单纯答错更危险。
V4Flash 的价格、Opus4.8的能力，Ox Alpha （牛来）正式开源！
Ox Alpha 匿名模型上线 OpenRouter 后表现亮眼，消耗大量 tokens 并终结 DeepSeek 霸榜纪录。官方揭晓其为智谱 GLM - 5.3 Flash，价格低、能力强，经多场景测试，多模态理解等维度达顶尖水平。
Kimi团队深夜潜入Reddit开了场AMA，他们都聊了些什么？（据说代号4494就是杨植麟本人）
今日凌晨，Kimi团队在Reddit社区开展AMA交流，解答大家疑问。期间回应Claude蒸馏争议，探讨编程写作侧重、小参数模型需求、缩放定律等问题。K2.5表现出色，K3值得期待。
贴广告的ChatGPT，一夜之间让全球网友破了防
周六凌晨，OpenAI 公告计划在 ChatGPT 加广告，测试将在美国率先启动。此前已上线低价订阅版 ChatGPT Go。此外，马斯克与 OpenAI 官司相关文件解封，案件将进入审判。
任务级奖励提升App Agent思考力，淘天提出Mobile-R1，3B模型可超32B
现有Mobile/APP Agent依赖动作级奖励，难应对变化环境。淘天集团团队提出Mobile-R1框架，采用三阶段训练，结合任务级奖励，实验显示其表现超基准，团队还计划开源资源。
翁荔最新万字长文：Why We Think
北大校友、前OpenAI华人VP翁荔发布万字长文《Why We Think》，围绕“测试时计算”和“思维链”，探讨提升模型性能的方法，涉及心理学类比、基于Token的思考、分支与编辑等多方面内容。
首个Gemini桌面端曝光，系统级Agent空降PC！
5月20日Google I/O 2026前夕，谷歌提前“放大招”，Gemini桌面端曝光，Mac版先上线。它具备四大核心功能，如系统级Agent操控PC等。全新Gemini 3.2闪现，编程能力惊人，谷歌还更新Workspace应用图标。
CVPR 2026｜突破3D空间推理瓶颈：北大联合南科大提出QuatRoPE，让大模型精准理解三维物体关系
北大联合南科大团队提出全新 3D 位置嵌入方法 QuatRoPE，改善大语言模型 3D 空间推理痛点。还提出 IGRE 降低干扰，构建 ASR 基准评估能力。研究被 CVPR 2026 接收，代码与模型已开源。
马斯克亲口承认xAI「建废了」，急挖Cursor大牛反击Claude
xAI重组引发创始高管动荡，马斯克承认其一开始就没搭对，不得不推倒重建。2026年1月起大规模裁员，Macrohard和Grok Imagine受冲击大。前Cursor两位核心高管入职，或助力编程方向发展。
GPT-5.4 vs Opus 4.6 vs Gemini 3.1：五条结论
2026年3月前沿AI竞争激烈，GPT - 5.4、Opus 4.6、Gemini 3.1 Pro各有千秋。GPT - 5.4领先知识和计算机使用，Gemini 3.1 Pro以低价主导推理，Opus 4.6编程能力强，无单一模型通吃各领域。