搜索：代码生成基准

「代码生成基准」共找到 4187 篇相关文章

模型、代码、数据全开源！轻松训练自己的垂类Agent！

Together AI联合Agentica推出`DeepSWE-Preview`，基于开源Qwen模型，用RL在SWE - Bench - Verified登顶。团队将模型权重、训练框架等全开源，抛弃SFT纯用RL训练，还分享训练秘籍和TTS技巧，为垂类Agent训练提供新范本。

今天凌晨1点30，OpenAI宣布开放GPT - 4.1，可在ChatGPT中使用。它针对编码任务，支持100万tokens上下文，在多项测试中表现优于前代，价格更优，不同用户将陆续获得使用权限。

macOS Harness 是 browser - use 团队开源项目，目标是让 LLM 用持久化 Python 进程完成 Mac 上几乎所有任务。它仅提供六个原始操作，模型用其操作应用，还能在运行中补全缺失部分。项目有诸多优势，目前仅支持 macOS。

AI给游戏产业带来新的生产技术，也引发了一场围绕游戏产业新价值链的争夺。本文介绍了2026 ChinaJoy现场正在发生的四个变化，包括游戏开发者的时间被重新分配、游戏引擎开始为Agent重新设计等。

在AIE World's Fair大会的《伟大的Loops》辩论赛上，正反方就Loops展开激烈交锋。正方认为Loops配得上热度，是迈向软件工厂关键一步；反方则指出其炒作与实际效果差距大，当前做法有误。双方还探讨了安全性、可用性、开销等问题。

文章以国防工业为例，指出西方制造业存在知识流失、产能恢复困难问题。如重启“毒刺”导弹生产线困难，欧洲炮弹交付延期。软件行业也类似，AI使初级工程师能力培养受阻，可能重蹈覆辙。

阿里巴巴发布 Qwen3.5 系列，含 8 个开源权重的视觉 - 语言模型。其小模型表现超大体量 OpenAI 开源权重模型，在视觉任务中整体出色，部分在语言任务也有竞争力。虽团队有人员离职，但阿里承诺加大 AI 投入。

Happy Coder可让手机控制电脑上的Claude Code会话，实时双向同步。它由CLI、手机App和中继服务器组成，安装简单，有多种最佳实践和工作流模式，还具端对端加密的安全性。

多校联合团队发布ProjDevBench，评估AI编程智能体端到端项目开发能力。结果显示，六种主流智能体总体提交AC率仅27.38%，从零构建任务中性能大幅下滑，还揭示了智能体多方面短板。

2025年DeepSeek发布推理大模型，引发RLVR研究热潮，但该方法有“过度思考”问题。伊利诺伊大学香槟分校等研究者提出Self - Aligned Reward（SAR），能提升推理准确度和效率，有望推动大模型推理系统发展。