「编程评测」共找到 1658 篇相关文章
深度揭秘OpenAI如何让GPT-5「技术性」超越Claude：悄悄跳过最难的23道题
OpenAI发布会上称GPT-5代码能力全球第一，其在SWE-bench Verified基准获74.9%通过率，略高于Claude Opus 4.1的74.5%。但OpenAI未做23道难题，若计入，GPT-5实际通过率或低于Claude。
GPT-5基准测试泄露，被曝两天后发布？打Minecraft震撼开挂网友直呼封神
GPT - 5消息不断，泄露的基准测试及Minecraft实测惊艳网友。有爆料称7月31日发布，也有消息指8月。它或统一o与GPT系列，编码能力强，能处理复杂编程任务，不过也引发对其影响的担忧。
离职员工首次长文揭秘真实的OpenAI：一半是天才，一半是疯子，7天时间上线code x
OpenAI离职员工Calvin French - Owen分享在公司一年工作的回忆与反思。从企业文化、技术栈揭秘，到7天打造编程代理code x的故事，让我们首次得以窥见OpenAI内部。作者认为这里有独特文化和强大执行力。
国产Deep Research杀出一匹「裸奔」黑马：免费开放，过程透明，网页报告一键即出
国产AI搜索秘塔AI搜索放大招，深度研究功能发布即免费公开，自带新玩法，思考过程透明。在评测集上表现优，可应对复杂问题，生成规范报告，还能转互动网页，严谨度与易用性兼备。
从 3 个月业余项目到全球第一语言！Python 之父坦言：当年“将就”的代码，如今全都真香了
Python 之父 Guido van Rossum 在 Python 编程语言峰会上提出‘Worse is better’理论现在是否还适用的问题。回顾早期开发，Python 受 UNIX 精神影响，以‘够用就好’理念快速推出，如今面临新功能开发慢、社区贡献不均等问题。
员工每天花1000美元也要用ClaudeCode！创始人：太贵了，大公司专属，但它比 Cursor 猛！
Claude Code处理大型代码库能力强，但价格贵，有用户称能力超Cursor。其创始人分享设计理念、使用方法等，还提到它基于Claude 4系列模型有新变化，可在GitHub等场景用，未来会拓展工具协同和小任务处理。
小红书开源大模型dots.llm1，初次出手，小有惊艳！国外网友们又炸了……
小红书hi lab团队公布首个开源大模型dots.llm1，这是142B参数的MoE模型，仅14B激活参数就能与Qwen2.5 - 72B打平。它开源力度大，训练效率高，数据处理精细，训练稳定，获国外网友高度关注。
DeepSeek Harness背后的“心脏”：Cordis 到底是什么
文章介绍Cordis框架，它原服务第三方QQ机器人，现是DeepSeek Harness心脏。阐述其设计初衷、核心机制，如插件、上下文等概念，还提及在DSH中的应用，展示了插件槽位和生态，最后介绍相关论文和该框架的生态情况。
AI给你的总是平庸答案?5.8万星插件证明:问题不在模型,在你
GitHub上5.8万星的`taste-skill`仓库，无模型代码，仅用文本规则让AI编程工具输出更有品味。揭示AI默认给平庸答案是概率采样结果，还给出反中位数三问及AI时代变贵的是判断力。
如何判断AI视频真假？综述动态、可溯源、可解释的检测体系 | ACL26
AI视频生成技术发展迅速，现有检测方法难满足需求。最新综述提出「事实保真度验证」目标，梳理出视觉与语言双视角的四层检测框架，还分析了检测方法演进、评测指标和数据集，为AI视频检测提供落地地图。