「好代码」共找到 2318 篇相关文章
Auto-Research「终极大考」：新基准撕下大模型科研伪装
来自多所高校的研究者提出MLS - Bench，用于解决现有Auto - Research评测的归因问题。它含140个真实研究任务，校准受控修改范围，主实验显示当前模型在方法发现上有明显缺口，Auto - Research需更严格评测标准。
泪崩！！！完啦，完啦 AI 编程，4k Star MonkeyCode！！！
现在很多AI编程工具，只让Agent“写出代码”。而MonkeyCode把AI编程任务接入完整链路，是面向专业研发团队的开源AI开发平台，本文介绍其特点、适用场景及注意事项。
蒸馏效果起飞！DOPD破解「特权幻觉」，让在线策略蒸馏更有效
近期，新加坡国立大学等团队提出 DOPD 法解「特权幻觉」难题。该法依 token 情况动态蒸馏，实验表明其在 LLM、VLM 蒸馏效果好，鲁棒性强，训练稳定，为在线策略蒸馏提供新思路。
竞赛编程Agent进入全球前十！南大、清华新模型CF rating超3500
大语言模型在竞赛编程场景易失败。南大、清华等研究者提出Solvita框架，由四个角色形成闭环，构建可训练图结构知识网络积累经验。实验显示其在多评测中表现强，提升不靠增加token。
姚顺雨Agent能力交卷！腾讯混元Hy3把元宝练成了打工人
腾讯混元Hy3正式版发布，总参数295B、激活参数21B，最大支持256K上下文。它是快慢思考融合的MoE模型，重点提升Coding和Agent能力。其加持下，元宝大升级，能完成办公、生活等多场景任务。
Claude Code 修了几个小 bug，却揭开了 Agent 落地的大麻烦
Anthropic给Claude Code发的更新，看似是修小bug，实则指向AI编程产品正从“模型会不会写代码”转向“Agent能否稳定完成任务”，暴露了工具状态、权限边界等执行问题。
40万次Claude Code会话实锤：这才是AI时代最值钱的本事！
Anthropic用40万次Claude Code会话数据得出结论，决定AI编程成败的不是代码功底，而是对行业的理解。人决定造什么，AI决定怎么造，懂行的人能从AI榨出几倍产能。
GPT-5.5反杀Claude登顶，AI编码旧榜不准了？
Datacurve推出新基准DeepSWE，号称「零污染」，用113道原创题挑战旧编程榜单。它使GPT和Claude名次逆转，揭示旧基准验证误差大、存在作弊现象，虽有局限，但反映编程基准竞争转向抗污染和验证可信。
Mythos限测首日破防，论坛玩家猜网址就摸进门了
4月7日，Anthropic新模型Claude Mythos Preview限量发布，当天就有未授权用户猜出在线地址获得访问权限。Anthropic称未发现自身系统受影响，该模型对齐表现较好，但训练有技术错误。
我的一人公司，空降腾讯一键开雇！
作者分享一人公司借助腾讯WorkBuddy升级，自建数据分析、编辑部，外聘软件工坊等团队，AI当同事，0元年薪24小时在线，解决一人难扛多事问题，还介绍使用方法。