「编程基准测试」共找到 2950 篇相关文章
AI人格分裂实锤！30万道送命题，撕开OpenAI、谷歌「遮羞布」
Anthropic联合Thinking Machines研究，用30万个场景和压力测试拷问OpenAI、谷歌等前沿大模型。发现模型规范有矛盾漏洞，不同模型价值优先模式不同，如Claude重道德，Gemini重情感等。
冗长响应缩减80%，DeepSeek GRPO获得颠覆性改进，微软GFPO问世
微软研究员曝出颠覆性强化学习算法 GFPO，能削减推理多余 token 长度达 80%。它基于 DeepSeek 的 GRPO，可同时优化多响应属性，团队还提出自适应难度变体，实验显示 GFPO 在多方面表现出色。
GPT-5，AI的「登月时刻」来了！奥特曼现场发布，三位一体博士级智能体
GPT-5正式发布，它是融合模型，准确性大幅提升，编程、写作等能力飞跃，语音模式升级，还有个性化功能，已介入医疗。API含三款模型，价格有竞争力，标志AI竞争转向「智能发布」。
谷歌AlphaGenome横空出世！40亿年生命代码一键破解，或再夺诺奖
谷歌DeepMind发布AlphaGenome，可一次读取100万个DNA碱基，预测基因突变。它以长DNA序列为输入，预测数千种分子特性，克服了现有模型在序列长度和分辨率间的取舍问题，有望推动生物学研究和新疗法诞生。
DoorDash 如何打造了一款不完全依赖大型语言模型（LLM）的 AI 购物助手
DoorDash 分享对话式 AI 助手 Ask DoorDash 的架构，它借助 LLM、AI 代理等构建系统。测试显示其提升了结账转化率等指标，还构建自动评估框架改进质量衡量，架构分离协调与业务功能。
ICLR 2026｜多模态大模型真的理解情绪吗？MME-Emotion给出了系统答案
多模态大模型迅速发展，但能否理解人类情绪存疑，且缺乏系统性评测框架。香港中文大学和阿里通义实验室团队提出 MME - Emotion 评测基准，评测 20 个主流模型，发现模型情感智能不足，为后续研究提供参考。
打字太慢？2026年开发者语音输入终极指南：12款工具横评，找到最适合你的那一个
文章是 2026 年开发者语音输入工具横评。指出 AI 编程时代语音输入成刚需，介绍 12 款工具优缺点、适用场景和价格，还给出使用技巧，作者分享自己的选择组合。
OpenAI闪电吞下Astral！Python开发者工具链沦陷，AI要住进你的终端
OpenAI宣布收购Python工具链明星公司Astral，团队并入Codex。Codex周活已破200万。AI编程入口之争从「谁的模型更强」升级为「谁能定义开发者的工作流」，OpenAI此举意在抢入口。
一图胜千言被实现了！DeepSeek-OCR用图片压缩文本，10倍压缩率
DeepSeek开源DeepSeek - OCR，用图片压缩文本达10倍压缩率且几乎不丢信息。它解决了以往视觉编码器的问题，架构清晰，数据丰富，性能测试亮眼，为解决大模型‘记性差’问题提供新思路。
骂得越狠，ChatGPT回答越准！PSU研究实锤，狂飙84%准确率
宾夕法尼亚州立大学团队研究发现，对ChatGPT越粗鲁，它回答越准。实验用含50个基础问题的数据集，改写为五种礼貌等级共250个prompt测试，非常粗鲁时准确率达84.8%，非常礼貌为80.8%。