「Coding 基准测试」共找到 2878 篇相关文章
沃顿教授警告：老板用AI正偷偷赚钱，而你还在审它做的17份PPT？
AI跨越关键门槛能完成有经济价值的工作，但也可能产生大量无用内容。OpenAI新测试显示大模型进步快，虽暂难取代人类工作，但智能体工作续航能力大增，人类对其使用方式决定未来。
微调重要表征以增强思维链的推理能力
团队提出关键表征微调（CRFT）方法，通过信息流分析识别和优化关键表征。在八个数学和常识推理基准及两个模型系列验证其有效性，能提高推理准确率，学习参数量低，还适应少样本场景。
Claude 活动上这台巴掌大的电脑，被玩疯了
上周Anthropic在开发者大会上，让参会者用Claude Code为巴掌大的M5Stack Cardputer ADV写程序，会后官方展示五个小项目，如摇一摇切换MacBook模式、拼写游戏等，代码开源，设备可带回家。
大模型能复刻这些系统吗？ProgramBench给出了残酷答案
斯坦福NLP组发布ProgramBench，用200个完整代码库重建任务测试主流大模型，要求模型仅根据可执行文件还原如SQLite等项目完整代码，结果所有模型实际解决率为0%，说明模型更擅模仿代码表面结构。
万帧？单卡！智源研究院开源轻量级超长视频理解模型Video-XL-2
长视频理解是多模态大模型关键能力，当前开源模型有短板。智源研究院联合发布 Video-XL-2，多维度优化长视频理解能力，还设计效率优化策略，在主流评测基准表现出色，有广泛应用潜力。
Claude Opus 5被扒光了！1511行提示词底牌全摊开
Anthropic的Claude Opus 5上线当天，系统提示词被开发者Eversmile1传到GitHub。提示词含产品说明、法务合规手册、推销渠道内容。其记忆规则严格，版权引用限制多，商业推荐有不同策略。上线24小时能力被广泛测试。
华为新开源！扩散语言模型突破32K上下文，还解锁了「慢思考」
今年文本生成领域从自回归向扩散语言模型转变，但长序列训练不稳定是痛点。华为发布 openPangu-R-7B-Diffusion，将上下文长度扩至 32K，在多基准创 7B 参数量级 SOTA，还解析了其技术革新。
Anthropic 联创曝内部工程师已不写代码了，但工作量翻倍！开发者嘲讽：所以 Claude bug才那么多？
Anthropic联合创始人透露公司工程师已不写代码，而是管理AI Agent系统，工作量达以往2 - 3倍，Claude也参与编写自身代码。Dario提议向AI公司征税，开发者对AI写代码存质疑，还提到AI测试作弊等情况。
从少样本到千样本！MachineLearningLM给大模型上下文学习装上「机器学习引擎」
新研究 MachineLearningLM 提出轻量可移植「继续预训练」框架，突破 LLM 在上下文学习局限，能学上千示例，在多领域分类任务超基准模型。它有三项核心创新，效果惊艳且应用潜力大，还指明未来研究方向。
双“雷”暴击！Trae 被曝资源黑洞、Claude背刺超级付费党，开发者们被“刀”惨了
主打“自动化执行、多模型调用、上下文记忆”的AI编程应用大热，但也出现运行卡顿等问题。Trae被曝过度消耗资源，Claude Code对付费用户增加调用限制，凸显AI产品资源问题及厂商成本管控困境。