「编程能力评估」共找到 4438 篇相关文章
端到端GUI智能体首次实现“犯错-反思-修正”闭环，模拟人类认知全过程
南洋理工大学MMLab团队提出框架GUI - Reflection，让端到端多模态GUI智能体有“自我反思”能力。它在各训练阶段引入“反思与纠错”机制，实验证明该框架能提升智能体能力。
终于找到一个开源神器！用画布喂给 Claude Code，上下文再也不用打字说了！
开发者用文字向 AI 说明需求繁琐，思路易跑偏。BonsAI 是 macOS 原生应用，提供无限画布，可让 Agent 实时读取改写。它亮点多，还有连接器功能，能成编程工具‘前置处理器’。
Coinbase 真疯了？“不用AI就滚”，千人工程师被强制 AI 写代码，把 GitHub 都打崩了
2025年8月，Coinbase CEO Brian Armstrong强制全员接入AI编程工具，未完成者被开除。工程总监Chintan Turakhia分享大规模部署经验，如领导示范、攻克用例、组织speedrun等，还用Cursor分析使用情况。
6K星 Qwen围绕Web AI，打造Agent Search新生态
自Manus带火深度研究代理后，新兴方向面临多模态代理推理能力不足等问题。千问2025年推出系列工具完成web智能搜索生态闭合，本文分享WebWatcher训练及解决问题的方法。
干翻全场！OpenAI深夜发布通用Agent。
OpenAI 发布 ChatGPT Agent，将 Operator 和 Deep Research 能力融合，能在虚拟电脑完成复杂任务。它功能强大亮点多，但也存在价格昂贵、安全隐患等问题，或压缩创业公司空间。
同时监督和强化的单阶段大模型微调，告别“先背书再刷题”，推理泛化双提升｜中科院&美团等
中国科学院自动化研究所联合美团提出单阶段监督 - 强化微调方法 SRFT，结合监督微调与强化微调，解决传统两阶段方法的不足，在多任务中提升推理和泛化能力。
GPT-4o-Image仅完成28.9%任务！上海AI实验室等发布图像编辑新基准，360道人类专家严选难题
上海人工智能实验室等团队针对图像编辑AI提出问题，推出RISE任务及配套评测基准RISEBench。测试九个视觉编辑模型，结果显示当前模型完成复杂指令能力欠缺，闭源与开源差距大。
92% 工程师都在用 AI 后，Uber 开始给 AI “限额”了
Uber的‘零增长技术栈’解耦容量与业务需求，优化Go运行时性能。还将生成式AI集成开发，92%工程师在用，但成本压力大。为此，Uber限额每位开发者，审查代码效果，完善评估指标。
神秘模型「Pony Alpha」火了，被曝是GLM-5
OpenRouter上线神秘模型“Pony Alpha”，引发网友竞猜。该模型主打编码等，有高工具调用准确率。网友实测其前端能力惊艳。多项证据指向它可能是GLM - 5，春节档多家国产大模型将轮番上阵。
CTO 焦虑自白：为什么我们有了 AI 博士生，但员工却越干越累？| 直播预告
本次直播由值得买、飞猪与彩讯多位专家，从 CTO 视角实战复盘 AI 落地与工程化挑战，探讨 AI 提效 ROI 临界点、能力错配等问题，还会深度复盘模型落地困局，拆解‘人效陷阱’等。