「代码评估」共找到 2293 篇相关文章
Llama惨遭抛弃！Meta内部改用Claude写代码
据Meta工程师透露，Meta内部开发已弃用自家Llama，改用Claude Sonnet写代码。Llama 4风评不佳，有人怀疑Llama 5是否会推出。Claude写代码能力一流，其背后公司收入增长快。
Cursor 慌了：当 AI 不再需要代码编辑器
Anthropic新模型Opus 4.5编程能力强大，开发者无需逐行审查代码，可直接向智能体下达指令获取成品，这冲击了Cursor代码编辑器业务。虽Cursor收入增长，但面临焦虑，正努力自研模型、拓展企业客户。
Karpathy揭秘开源成功密码：像细菌一样写代码
Andrej Karpathy提出构建繁荣开源社区要像细菌写基因组一样写代码，强调代码小巧、模块化、自给自足。他指出此方式有局限，应兼顾细菌与真核生物基因组优点，还称“More gists, less gits!”。
组织也能fork？Karpathy提出"代码即公司"
Karpathy提出“代码即公司”观点，认为AI驱动的组织可像代码仓库一样被复制、修改、迭代。传统组织因“制度性知识”难以fork，AI能将隐性知识显性化。交易公司或成首个被fork的组织类型，管理协调是核心竞争力。
这篇超有用！手把手教你搭建 AI 产品 Evals
文章指出AI下半场模型评估比训练更重要，做好Evals是当下AI产品开发刚需。介绍了Evals重要性、三种方法、通用评估标准等，还教你从零构建Evals及设计注意事项，助你快速上手评估。
大模型评估排障指南 | 关于 LaTeX 公式解析
这是大模型评估排障指南系列第二篇，聚焦 LaTeX 公式解析。评估难点是解析和比较模型输出与标准答案，无标准方法。lm - evaluation 框架用 sympy 解析准确率约 0.94，还给出缓解问题办法。
腾讯无极低代码平台打开MCP之外的新思路：多模态聊天
腾讯无极低代码平台提出‘前端多模态智能’概念，让AI输出内容更多样，可嵌入交互页面片。它还给出四步配置法实现‘多模态聊天’，与MCP形成互补，能增强信息交互和用户掌控感。
ScreenCoder：视觉-代码对齐新范式，为多模态程序合成开辟道路
前端开发中UI转代码耗时易错，现有工具存在不足。ScreenCoder提出模块化多智能体框架，通过三阶段分工协作实现代码生成，还构建数据引擎推动VLMs进化，实验表现出色，为多模态程序合成开辟道路。
FACTS 基准测试套件问世，用于评估大型语言模型的事实准确性
FACTS 基准测试套件由 FACTS 团队与 Kaggle 联合开发，基于原 FACTS Grounding Benchmark 增加三个新基准，可从四个维度评估大模型事实性。初步结果显示进展与挑战并存，多模态成难题。
Cursor 1.0 正式发布：AI 代码编辑器进入“自动审查 + 记忆”时代！
智能代码编辑器 Cursor 正式发布 1.0 版本，带来多项重磅功能，如自动代码审查助手 BugBot、Jupyter Notebook 原生支持、项目级 AI 记忆等，还提升了用户体验，是向“AI 编程操作系统”迈进的重要一步。