「Coding 基准测试」共找到 2878 篇相关文章
MiniMax 怎么做 Agent：Model-Harness 协同只是第一步，还有 Inference-Harness 协同
本文介绍了 MiniMax 在 Agent 层面的实践。从内部飞书 bot 起步，发展成桌面应用 MiniMax Code，形成训练 - 服务闭环。还阐述 Agent 对模型优化迭代的作用、自研 Agent 优势，指出 AGI 是闭环递归自我改进系统。
Claude写完代码不直接交了：4个Skill自查一遍，改好再找你
Anthropic将AI验收纳入循环，让Claude写完代码后进行四道检查才交付，定义了验证循环，Claude Code团队有4个自查Skill，还介绍了写验证Skill的方法、触发设置，AI编程竞争正从生成转向验证。
AI生成的图片正在反向对齐人类的审美？ICML 2026观点论文Spotlight
UBC和Weathon Software研究指出，图像美学对齐削弱艺术表达。开发者用评估模型让图像生成模型产出符合人类审美的图片，但这导致图片同质化，限制艺术多元性，作者还提出六个相关担忧，并做多项测试验证。
OpenClaw逼出Claude最强反击！GUI操控电脑和真人无差别，网友：这得花多少token？
Claude Code升级Computer Use能力精准反击OpenClaw，基于GUI操作，像真人操控电脑。升级后无需API或CLI改造，能操控传统软件，还上线远程控制、定时任务功能，有安全分层设计。已向Claude Pro和Max用户开放。
比SOTA快9倍，谷歌DeepMind时空重建，把视频变成时空搜索引擎
谷歌DeepMind联合团队发布D4RT时空重建框架，颠覆传统视频转3D方法。它按需提问，像搜索引擎，处理动态视频高效。内部结构分编码、解码两步，速度快，还发明聪明收割机算法，在多项测试中表现优异。
在微信中用 Google 登录，很难吗？
作者开发基于 LLM 的个性化实时快讯小工具，开发登录功能时发现微信里用 Google OAuth 登录失败，源于 Google 安全限制。众多产品有糟糕体验却未解决，作者用 Claude Code 轻松搞定，还分享 AI 编程观点。
AI“压力面”，DeepSeek性能暴跌近30% | 清华&上海AI Lab
上海人工智能实验室等团队设计REST框架，在一个prompt里抛多个问题模拟多任务推理场景。测试发现即便顶级模型如DeepSeek - R1在“高压”下准确率也骤降，该框架能揭示模型差异，为评测提供新范式。
AI们数不清六根手指，这事没那么简单。
作者测试发现Grok4、OpenAI o3等多模态模型都将六指图数成五指，仅Claude 4偶尔答对。研究揭示大模型看图片用记忆而非视觉，易受刻板印象影响，在工业等场景或引发严重后果。
The Btch：838 | 苹果加强生成式 AI 布局
苹果更新 Apple Foundation Models（AFM）系列，含设备端和服务器端版本，还发布 Foundation Models 框架。AFM 模型架构特别，训练有优化，测试表现有差异。此前苹果论文引争议，此次或是其重启 AI 战略之举。
大模型玩不好数独？！Transformer作者初创公司公布排行榜：o3 Mini High“变异数独”正确率仅2.9%
Transformer作者初创公司Sakana AI公布AI解决数独能力排行榜，用全新基准Sudoku - Bench考验大模型创造性推理能力。结果显示大模型总体正确率仅15%，9×9数独中高性能模型o3 Mini High正确率2.9%。