「评估驱动开发」共找到 2708 篇相关文章
全球爆红后，Clawdbot之父2小时深度专访：退休3年后我杀回江湖
新智元对Clawdbot之父Peter Steinberger进行近2小时专访。他分享AI编程工作流，如一天600个Commit、让AI验证代码、用多个Agent并行开发。他还讲述经历，认为AI时代程序员要关注系统架构，强调与AI融合。
大模型IMO25数学竞赛成绩公布了
大模型挑战IMO 2025成绩出炉，Gemini 2.5 Pro以超30%总成绩断崖式领先，超出第二名89%。测试由MathArena组织，采用统一环境和双人匿名评估。还介绍了测试模型、题目及模型表现，人类版结果预计本周六发布。
OpenAI重回巅峰：GPT‑5.5全球SOTA，碾压Opus 4.7
OpenAI发布GPT - 5.5，定位为‘为真实工作而生的新一代智能’。它在编码、科研、办公等多领域表现出色，能力重心转向‘自主完成任务’，在多项评估中成绩优异，还能加速生物医学研究，且Token效率大幅提升。
谷歌Deep Think八语奥赛屠榜！自主攻克4大未解难题，科研壁垒崩塌
谷歌Deep Think横扫亚欧多语种竞赛，成绩亮眼。虽评测数据来自内部，未公开细节且是区域赛，但它定位为‘人类智力倍增器’，其驱动的Aletheia已产出论文，解决4个未解问题，在多领域展现潜力。
什么是newtype？
作者黄益贺介绍了自己创建的社群newtype。“newtype”源自高达，指适应新环境、能驾驭AI的人。作者给出定义“想清楚，做出来，为自己活”，还指出其不是被恐惧等驱动的人，目标是数字时代个人主权。
Agent 不是渐进升级，而是要“换代”了：Cursor 工程负责人放话未来三到六个月，行业将迎来大变局
本文是对Cursor工程负责人Jason Ginsberg的访谈。他认为编码Agent正换代，未来三到六个月行业将大变，会接管复杂任务。还谈及编码Agent发展、Cursor使用方式、交互模式等，分享了产品开发、审查等看法。
一个销售数据分析机器人的诞生：看 Dify 如何在 DMS 助力下实现自动化闭环
Dify是低代码AI应用开发平台，但在企业级落地有代码执行和自动化调度瓶颈。本文介绍用“Dify + DMS Notebook + DMS Airflow”架构，以销售数据分析机器人为例，展示构建可调度、可扩展、可运维Agent系统的方法。
大量英伟达GPU开始在仓库吃灰
微软CEO纳德拉承认，公司有成堆GPU因缺电、缺空间闲置。如今电力与数据中心建设跟不上AI产业扩张，算力端企业调整策略，网友建议开发低能耗芯片，微软还将向阿联酋投资建设数据中心。
腾讯提出“我思故我玩”Agent：LLM构建推理与规划世界模型
腾讯与武大联合发表论文提出 CEL 新型 Agent 架构，通过 LLM 驱动两阶段循环实现“思考式学习”。它能填补传统方法短板，在小游戏实验中表现出色，有可解释性等优势，但也有实验环境局限等问题。
ClockBench：一个简单的钟表测试让AI全线溃败
ClockBench测试让11个多模态大模型与5个普通人认钟表时间，人类平均准确率89.1%，最好的AI仅13.3%。AI在复杂钟面表现差，却能处理抽象指令。该测试暴露视觉AI空间推理缺陷，对评估有启发。