「Coding 基准测试」共找到 2878 篇相关文章
一篇19种自进化Agent Skill框架最新综述
这篇来自Rutgers大学和UNC Charlotte的survey，首次系统梳理Agent技能的进化与评估全貌，覆盖19种技能进化方法和10个评估基准。指出当前评估体系有诸多不足，如无法追踪技能多轮反馈后是否变好等。
Thin Harness, Fat Skills：AI工程架构的本质
文章介绍了AI工程架构本质，阐述Garry Tan倡导的智能体工程三原则，分析架构分层，包括Fat Skills、Fat Code和Thin Harness层，还通过案例展示技能文件进化特性，提及社区讨论、边界迁移和工程纪律价值。
告别人工干预！KDD Cup 2026 Data Agents 赛道：定义下一代数据智能体能力边界
KDD Cup 2026 发布 Data Agents for Complex Data Analysis 赛道，由香港科技大学（广州）和清华大学联合承办。旨在推动 AI 告别人工干预，具备自主任务分解等能力，还推出 DataAgent - Bench 测试平台，有丰厚奖励，公布关键时间节点。
回村拜年、赶集舞狮：一台小机器人的县城奇幻漂流｜甲子光年
2026马年春节，人形机器人迎来高光。‘清华系’加速进化公司将小型人形机器人Booster K1带回乡村，在多样场景测试。该公司走小而美路径，产品性能优、销量好，通过B端、C端策略打开市场。
走一步看一步、两三个月就迷茫一次：字节扣子的两年「创业」
字节的扣子刚完成大版本更新，定位“职场AI，就用扣子”。它过去两年像早期创业团队“野生”生长，从Bot Studio到工作流平台，再到扣子空间，如今迈向Vibe Coding，强化“伙伴”定位，值得产品创新者研究。
DeepSeek低价风暴打服硅谷！海外平台争相倒贴V4 Flash
DeepSeek V4 Flash掀起价格风暴，全球开发者为之疯狂。海外平台如Nous Portal、Cline等纷纷补贴，其能力大幅提升，价格却极低，让开发者更愿尝试开源模型，AI应用层或迎转机，且DeepSeek Code可能将至。
Gemini再揽金牌，力压大学学霸，AI数学推理时代来了！
苏黎世联邦理工学院博士生在大学生国际数学竞赛（IMC）测试了Gemini三种模式，其表现远高于金牌门槛，远超普通大学生。研究人员还从模型输出提取见解，展现了Gemini在数学推理上的优势，凸显AI数学推理能力日益强大。
UniSteer用机械臂「拼豆」：让人类指导进入VLA噪声空间强化学习
视觉 - 语言 - 动作模型（VLA）是机器人操作重要基础模型，但复杂任务成功率低，真机强化学习成本高。微软等机构研究者提出 UniSteer，将人类纠正转换成噪声监督，在多任务测试中提升了成功率。
想玩Loop Engineering，可以先从这6个Hook玩法开始。
Loop Engineering正火，入手可从Hook玩法开始。Hook是循环触发器，在Agent里很常见。文中整理了6个Claude Code的Hook玩法，如权限弹窗提醒、开机日程播报等，还提醒接入工作流要注意稳定性和边界。
刚刚，DeepSeek又探索新架构了，开源OCR 2
DeepSeek更新DeepSeek - OCR 2，引入DeepEncoder V2架构，实现视觉编码范式转变。模型和技术报告齐开源，在多项测试中表现出色，降低重复率，为全模态编码提供路径，但在报纸类文档识别有不足。