「Coding 基准测试」共找到 2878 篇相关文章
The Batch：827 | Claude 4 推动代码生成能力再升级
Anthropic 发布 Claude 4 Sonnet 和 Claude 4 Opus 模型，支持“推理模式”，能并行调用工具。还发布 Claude Code 编程智能体及 SDK。两款模型输入输出能力强，功能亮点多，性能表现佳，有多种使用渠道和定价。
OpenClaw代码越改越崩？新研究EvoClaw揭示：Agents持续开发成功率仅13.37%
USC邓港大等联合发布评估基准EvoClaw，揭示AI在持续开发场景下表现不佳，成功率仅13.37%。研究还指出当前评测易高估AI能力，提出DeepCommit重构演进历史，分析各模型在持续演进中的局限与问题。
一行代码不写，龙虾军团日夜为我打工赚钱
油管科技博主Matthew Berman分享0代码OpenClaw使用心得，其龙虾数字员工能处理商务邮件等工作。他靠提示词+Vibe Coding实现‘躺赚’，还分享多场景龙虾玩法，且公开提示词。
吴恩达手搓新项目：AI审稿人上线！只为终结学生“3年被拒稿6次”的痛苦
吴恩达开发新项目 Agentic Reviewer 代理审稿人，灵感源于学生3年论文被拒6次。此工具能加快研究人员迭代速度，在 ICLR 2025 评审数据测试中接近人类水平，适用于 arXiv 公开研究领域。
告别 Selenium 痛点！全新升级版 Selenium 自动化框架，斩获10.2K标星！
Selenium 编写 Web 自动化脚本痛点多，SeleniumBase 深度封装 Selenium，内置智能等待等功能，解决诸多问题。它功能强大，安装使用简单，适用于多场景，像“智能助手”让自动化测试变简单。
Anthropic发布Claude Science，AI开始像研二学生一样做科研
当地时间6月30日，Anthropic发布科研产品Claude Science。它运行Claude Opus 4.8，亮点在使用方式，将科研所需整合，还能拆分任务。早期用户反馈良好，与OpenAI、谷歌竞争，已开放测试版。
刚刚，Anthropic深夜血洗500亿美金行业！代码审计末日来了
Anthropic的Claude Code新增代码评审功能，挑战500亿美元的传统代码审计行业。新工具成本低，能自动化评审，减少误报，准确率超多数人类评审员，或引发行业大洗牌。
这个框架让大模型省下50%内存，合并专家不如直接删掉？
Cerebras Research提出REAP框架，通过专家剪枝和合并技术压缩SMoE模型，能让模型‘瘦身’并保持性能，可省50%内存，但社区测试有不同结果，且存在调度开销等问题。
字节Lynx：从单张图像生成高保真个性化视频
字节推出高保真个性化视频生成框架Lynx，基于开源的Diffusion Transformer，引入ID - adapter和Ref - adapter，在基准数据集表现优异，能平衡身份保真度等，还可拓展至多模态和多主体。
一年上线超 10 款产品，AI 时代如何做独立开发
ThinkAny&MCP.so 创始人艾逗笔分享独立开发感悟与经验，介绍多款 AI 产品，如 ThinkAny、ShipAny 等。还给出 AI 应用出海 SOP、可 all in 的创业方向，如 AI Coding、Agent 等，为开发者提供参考。