「代码测试基准」共找到 3602 篇相关文章
突发:DeepSeek Harness出桌面版了!
本文来自机器之心,爆料DeepSeek Harness流出未官宣官方桌面客户端,实测可正常使用,介绍了其界面、多种工作模式与内置插件,该版本为官方候选测试版,降低了普通用户使用门槛。
首个英文原生「弱智吧」!逻辑谬误数据集与生成框架来了 | AAAI'26
研究发现大模型判断逻辑谬误易误报正常句子,但分类能力较强。研究人员构建英文逻辑谬误基准SMARTYPAT - BENCH,开发生成框架SMARTYPAT,为大模型逻辑评估提供新思路,可用于多领域。
吴恩达发布论文自动审阅器,ICLR上达到接近人类水平
目前学术会议论文评审无统一规范,投稿量膨胀致审稿周期冗长。吴恩达发布‘Agentic Reviewer’,在ICLR 2025数据测试中接近人类水平,现阶段在arXiv研究领域表现佳,但仍处实验阶段。
刷榜只是体力活!清华消费10万块,一周「肝」出105个SOTA
AutoSOTA通过多智能体协作,将AI研究中繁琐的性能优化过程自动化,使科研从「手工艺」转向「工业流水线」。在一周压力测试中,消耗约10.4万美元,发现105个SOTA模型,平均性能提升近10%。
腾讯助力Deepseek完善DeepEP,RoCE提升100%,InfiniBand提升30%
Deepseek团队合并腾讯提交的代码完善DeepEP,称有巨大速度提升,RoCE提升100%,InfiniBand提升30%。DeepEP是为混合专家模型和专家并行设计的通信库,有多项创新特性,适合现代AI应用。
宇树:开源机器人世界大模型!
宇树开源世界模型 - 动作架构UnifoLM - WMA - 0,它属UnifoLM系列,适配多机器人本体。真机部署表现出色,预测与实际操作吻合。官方介绍训练策略,代码开源后GitHub获100 + Star。
黄仁勋预言成真!AI智能体成GitHub主力,一天顶人类一年
加拿大女王大学研究揭示AI编程智能体大规模渗透开源社区,它们活跃于开源一线,效率高但代码接受率低于人类,研究为其时代勾勒发展方向,软件工程行业面临变革。
OpenAI深夜发布ChatGPT Agent:能主动思考、自选工具,智能体赛道大变天
今天凌晨1点,OpenAI发布ChatGPT Agent,它能自主思考行动,自选工具完成复杂任务。首席执行官Sam Altman发文介绍,虽实用但有风险,内置安全机制。测试中表现优异,网友期待体验。
斩获18.3K star!再见Airtable,这款Postgres驱动的开源表格神器要火!太 6了
Teable是基于PostgreSQL的无代码数据库平台,被赞为Airtable开源替代潜力股。它有百万级数据秒级响应等亮点,具备独特技术架构,适用于多场景,与同类对比优势明显。
企业官网GEO优化:可直接复制JSON-LD+llms.txt模板(适配AI推荐)
文章提供企业官网GEO优化方案,含首页、FAQ页结构化代码及llms.txt模板,还有通用FAQ选题。介绍使用方法、上线校验步骤和生效判断标准,助企业适配AI推荐。