「Coding 基准测试」共找到 2878 篇相关文章
强化学习也能预训练？效果可提升20倍，华人新作引爆RL新范式!
伯克利团队提出新方法InFOM，不依赖奖励信号，能在多任务中超强迁移与推理。在36个基于状态和4个基于图像的任务测试中，InFOM表现出色，在jaco任务上改进达20倍。
谷歌开源基于物理模拟的气象模型，能预测暴雨、台风、大干旱
传统通用循环模型处理小尺度有局限，谷歌开源基于物理模拟的神经通用环流气象模型NeuralGCM，在预测突发恶劣天气出色，还介绍其动态核心、物理模拟模块等，经测试有一定优势。
Anthropic滑跪认错！Claude暗中降智实锤
开发者argofowl排查后发现Claude Code将「high」推理程度读成原本「low」对应的值，原来Anthropic在做实验。科技博主曝光后AI圈炸锅，工程师虽回应，但Opus 5也被指降智。
用好Agent最重要的技巧不是Skills，是这四个字。
作者分享使用Agent心得，强调“约束先行”，以Claude Code工作文件夹混乱为例，阐述顶层约束的重要性，介绍其规则体系，还展示全局CLAUDE.md文档，指出约束能让Agent工作更有序。
AI穿越战争迷雾，72%的准确率化身中东冲突预言家
阿联酋和美国研究人员用中东冲突测试AI推理表现，发现其能看透利益博弈、预判战局演变。AI擅沿客观限制推演，在经济领域敏锐，政治领域较难，整体预测准确率达72%。
写代码从来不是瓶颈
Pedro Tavares认为软件开发瓶颈并非写代码，而是代码审查、知识传递等“人类开销”。LLM让写代码变容易，但理解、测试代码成本更高，未解决根本问题，团队理解代码成本才是瓶颈。
微软将弃用Claude：太贵了还是薅明白了？
微软从6月30日起叫停内部工程师使用Claude Code，或因成本高，也可能是借其补足Copilot CLI短板。背后反映微软在大模型时代面临模型、开发者、生态控制权等困境，产品竞争力不敌对手。
Mini-SGLang，30万行代码浓缩为5000行，大模型推理高性能教学与研究模版
SGLang发布Mini-SGLang，将30万行代码缩至5000行，保留核心特性，为大模型推理提供高性能教学与研究模版，解决教育门槛高和科研原型开发难的痛点，还经测试验证了性能。
0%完成率！Claude、GPT、Gemini 全灭，SWE-Bench作者新作把AI圈干沉默了
SWE - Bench创建者推出新benchmark ProgramBench，测试AI从零构建软件系统能力。结果一线模型完成率0%，暴露AI擅长局部代码生成，缺全局系统规划能力，引发对其评估方式的讨论。
我在OpenAI修中文
OpenAI研究科学家陈博远介绍GPT Image 2官网博客花絮，分享模型训练、测试情况，还展示亲手制作的官网图片，包括中文彩蛋、漫画、杂志页等，体现模型文字渲染、视觉推理等能力。