搜索：编程基准测试

「编程基准测试」共找到 2950 篇相关文章

AI在「赚钱锦标赛」夺冠，比人类还会做生意！躺赚时代要来了？

研究人员提出自动售货机运营模拟环境Vending - Bench，测试大模型智能体管理业务能力。实验显示不同大模型性能方差大，Claude 3.5 Sonnet净资产表现最佳，人类基线在可靠性上表现较好，各模型长周期表现波动大。

Meta新成立超级智能实验室（MSL），首篇论文REFRAG将RAG推理速度提升30倍以上。它先把上下文压缩成摘要再解码，减少计算量和延迟，在多任务测试中表现出色，为大模型部署提供实用方案。

现有AI Agent记忆方案有局限，MIRIX作为模块化多智能体记忆系统应运而生。它由六种记忆类型和多智能体框架组成，支持多种检索功能。在多模态和单模态测试中表现优异，为记忆增强型LLM智能体设新标准。

近日，Insta360 研究院联合高校提出 PanoLOG，首个面向全景输入的大规模户外三维重建工作。它解决全景分区难题，在多基准上取得领先渲染质量与小模型体积，还为户外具身智能等提供新思路。

SpaceX签署最终协议，600亿全股票收购Cursor母公司Anysphere。马斯克的xAI发展不顺，而Cursor被Anthropic打压。编程工具赛道已三分天下，Cursor是独立入口，马斯克此举是为搭上ASI末班车。

作者黄叔用自研产品「降噪」测试 MiniMax M2.1，从 Skills 优化、页面样式、沉浸式交互、智能搜索四个维度检验实战能力。结果显示 M2.1 优势明显，虽有不足，但已能满足多数日常开发任务。

生成式AI使软件开发成巨大市场，全球开发者带来每年3万亿美元经济贡献。Cursor等初创公司崛起，介绍了AI编程工作流程、代码生成审查方式、质量保证等，还探讨了软件开发的变化及发展趋势。

吴恩达指出，AI编程助手使写代码变快，‘决定做什么’成新瓶颈，即‘产品管理瓶颈’，产品经理比程序员更稀缺。他强调用户同理心和心智模型，认为软件开发正从技术驱动转向价值驱动。

作者用旅游方案提示词测试各类Agent产品，多输出废话。飞猪“问一问”旅行Agent却很厉害，能生成实用旅行规划，还给出汇总表格、地图、行程卡片等，考虑全面且细节丰富，还能找特价机票。

智元机器人发布并开源全球首个基于机器人动作序列驱动的具身世界模型 EVAC 及具身世界模型评测基准 EWMBench，构建全新开发范式，解决具身智能演进制约，提升策略模型筛选与训练效率。