「编程评测」共找到 1658 篇相关文章
算力十年狂飙100000倍，他却每天担心破产！黄仁勋亲述：如何用“30天危机感”逆袭万亿AI市场
英伟达推出 CUDA Toolkit 13.1，号称 20 年来最大更新，有 Tile 编程等亮点。黄仁勋回顾创业，称每天有破产危机感。他还谈 AI 发展、应用、意识及工作影响等，认为 AI 会创造新工作，也能缩小技术鸿沟。
规范驱动开发：瀑布模型回潮
规范驱动开发（SDD）重拾编码前写大量文档理念，虽为AI编程提供框架，但可能让敏捷性被Markdown文档掩埋。文章探讨为何迭代性自然语言方法更契合现代开发需求，指出SDD存在诸多不足。
最强DeepResearch！通义DeepResearch-30B开源实战：模型部署+LangGraph+A2A全攻略
阿里发布全开源项目通义DeepResearch，在研究任务评测中表现出色，底层是30B的MoE专用推理模型，资源需求低。文章演示了基于该项目构建本地化端到端DeepResearch助理的方法，包括模型部署、Agent实现等。
“AI版LeCun”自己讲解论文，自我进化智能体框架生成精美演讲视频
加州大学研究者提出自我进化的学术演讲智能体框架EvoPresent，它由四个智能体协作，核心美学模型PresAesth模拟人类审美判断。团队构建评测体系，实验显示其在内容与视觉设计上提升显著，让AI兼顾逻辑与美感。
开源仅一周，鹅厂文生图大模型强势登顶，击败谷歌Nano-Banana
腾讯混元团队开源的原生多模态生图模型混元图像 3.0，开源仅一周就在国际权威评测榜单 LMArena 上超越谷歌 Nano - Banana 等，位列文生图综合和开源榜单第一。实测表现出色，技术上也有诸多创新。
先验+后验加持，大模型能否 hold 住推理预测的现实「溢出」？
多数大模型评估基准依赖固定数据集，难测真实推理实力。字节跳动等推出的 FutureX 动态评测基准，将重点移至动态预测能力。实验显示不同模型在不同任务表现有别，大模型在现实场景运用仍待优化。
CEO 上阵写代码，公司从被传濒临倒闭到千亿估值，最大功臣是Claude？
Airtable创始人兼CEO Howie Liu分享公司发展。Airtable曾被传濒临倒闭，后年收入达数亿美元。他亲自参与编程，围绕AI重组公司，还介绍推动团队用AI、岗位转型及公司转型AI的策略，强调打破角色壁垒。
吴恩达：一边是CS毕业生“过剩”，一边是AI人才抢破头，问题出在哪？「cs专业依然是王牌」
吴恩达分享对CS专业人才市场的观察，指出市场对AI开发者需求未满足，而新毕业CS学生失业率上升。根源是高校课程未跟上AI提升编程生产力的步伐，还阐述了AI工程师核心能力及人才短缺趋势等。
3B模型性能小钢炮，“AI下半场应该训练+验证两条腿跑步”丨上海AI Lab&澳门大学
上海AI Lab和澳门大学联合发布通用答案验证模型CompassVerifier与评测集VerifierBench，填补Verifier领域循环迭代体系空白。AI下半场评估比训练更重要，当前验证方法有困境，新模型验证精度高且能用于强化学习。
腾讯混元A13B用130亿参数达到千亿级效果，Flash Attention作者点赞
腾讯混元A13B模型仅130亿激活参数，却能和千亿级大模型竞争，获Flash Attention作者赞叹。它精准卡位性能与效率‘甜蜜点’，依托高质量预训练和结构化后训练，多方面表现突出且已全面开源。