「编程基准测试」共找到 2950 篇相关文章
OpenAI 盲测新模型不如 Nano Banana Pro？曝 Altman 要暂停 Sora，死磕 ChatGPT
近日，网友发现 Notion 或在测试 GPT - 5.2。OpenAI 盲测新图像模型‘Chestnut’和‘Hazelnut’，结果接近 Nano Banana Pro，但生成图未获好评。Altman 调整战略，暂停 Sora 死磕 ChatGPT，本周将推 GPT - 5.2。
太卷了！专属Coding的新一代Arena榜单来了，有国产模型登上榜首
大模型编程竞争激烈，编码能力提升成军备竞赛。LMArena发布新世代大模型编码评估系统Code Arena，国产模型智谱GLM - 4.6登上榜首，其编码能力获认可，彰显国产大模型硬核实力。
直播预约 | Transformer 模型能否通过连接训练数据中的离散知识进行推理？
为研究Transformer是否具备组合式推理能力，提出FTCT合成任务。实验发现Few - shot CoT提示可激发推理能力，训练与测试相似度、模型复杂度影响推理能力。还分析了其内在机制，展示其泛化推理潜力。
说句话就能飞！北航发布语言交互的无人机控制模型
北航刘偲教授团队提出语言引导的细粒度无人机轨迹控制研究框架，定义Flow范式。采用模仿学习法让无人机响应指令，构建数据集和仿真评测基准，还提出协作策略和算法，实现真机部署。
破解300年数学难题，智能体大突破！谷歌发布超强AI Agent
今天凌晨谷歌Deepmind发布编程AI Agent——AlphaEvolve，它与Gemini深度集成，能评估算法。它解决了300多年的数学难题，还提出新算法，提升大模型计算效率，可优化GPU指令，架构含多模块。
6个Claude Code神作，Anthropic亲选
Claude 官方晒出一批来自普通用户的 Claude Code 「神作」，覆盖实用工具、可视化创意和趣味应用等领域，如人脸涂鸦、医学影像查看器、代码库动态图等。这些项目反映出 Claude Code 正走出传统编程场景。
Cursor滑跪开源技术报告：Kimi基模这样微调能干翻Claude
Cursor放出Composer 2技术报告力证‘自研’，基于Kimi K2.5经持续预训练和异步强化学习，测试表现好。同时，杨植麟分享Kimi团队最新思考，认为大模型要规模化，断言大模型训练进入第三阶段。
MiniMax M2.5发布：硬刚 Claude Opus，一美元包断一小时的生产力
MiniMax M2.5发布，硬刚Claude Opus 4.6，以一美元包断一小时的低价降低AI生产力门槛。它在编程、办公等多场景表现出色，速度快且成本低，背后是RL Scaling等技术支撑。
夜光影像里的"暗船"：双分支 YOLO11 如何用抓非法捕捞
非法捕捞的暗船常关掉 AIS 隐身，难被传统手段监控。论文提出双分支 YOLO11，通过夜光遥感数据精准检测，还设计预处理流程，在测试集表现优，规模化应用也得到暗船率等成果。
Coding Agent 自主解题很强，但用户改一行代码就"翻车"？自所团队提出 SWE-Touch 揭示共享工作空间下的能力缺口
当前基于大模型的Coding Agent是热门研究方向，现有评测多假设其独占代码仓库。中科院自动化所团队构建SWE - Touch框架，对9个前沿模型测试，发现用户干预下模型性能下降、排名洗牌。