「HiPhO基准测试」共找到 2058 篇相关文章
新研究重新评估 AGENTS.md 文件在 AI 编码中的价值
苏黎世联邦理工学院新论文指出，`AGENTS.md` 文件可能常阻碍 AI 编码智能体。研究构建 AGENTbench 数据集测试，发现 LLM 生成文件降低性能，人类编写文件有边际收益但也增加成本，开发人员对此研究看法不一。
Claude 开始收“代码审核税”：一条 PR 25 美元，大厂一年或花百万，还得上交整个代码库
3月9日，Anthropic推出代码审查产品Code Review，运行在GitHub和CI流程，按token计费，每次15 - 25美元，速度约20分钟/次，用整个代码库分析。虽能发现问题，但价格贵、速度慢，还遭“既当运动员又当裁判”质疑。
代码Agent的苦涩教训！首次拆解上下文检索，直指自动化软件瓶颈
ContextBench首次从「过程」评测代码智能体，揭示当前模型多读少用、被关键词误导等深层问题。它基于真实问题修复任务，由专家标注「黄金上下文」，用多指标评估。研究显示，复杂架构未必效果好，模型重召回轻精确等。
大模型桌游试玩员来了：用五大画像模拟「千人千面」，评分精准度超越GPT-5.1
盛大东京研究院等团队提出MeepleLM，首个能模拟玩家视角给出建设性批评的虚拟试玩模型。它构建专属数据集，引入MDA理论，提炼五种玩家画像。实验显示其评分精准度超GPT - 5.1等通用模型。
ICLR 2026 oral | AI代码真能进生产环境？SwingArena：从「写对代码Commit」到「通过CI审查」
过去一年大模型写代码能力提升，人们思考其能否参与软件工程核心流程。现有评测基准有缺失，SwingArena填补空白，将博弈引入评测，设计检索增强流水线，其开源后或成评估AI编程能力新工具。
破解机器人「慢半拍」难题：南洋理工解决VLA致命短板，动态世界断层领先
南洋理工大学NTU S-Lab团队提出DynamicVLA，解决主流VLA模型在动态场景下反应迟缓等问题。它从多层面设计，构建自动化数据体系和DOM Benchmark，在实验中多维度领先。
登顶Hugging Face论文热榜，LLM重写数据准备的游戏规则
企业数据团队面临数据准备难题，传统方法依赖人工规则，有诸多局限。上海交通大学等机构研究团队综述指出，LLM正推动数据准备从“规则驱动”向“语义驱动”转变，还给出技术选型、评估基准及工程指南。
ChatGPT开始预测用户年龄，NSFW内容要来了！
OpenAI于1月20日更新推出年龄预测功能，通过分析用户多方面信息判断是否为18岁以下。网友测试发现猜测较准，这或使NSFW内容限制放宽，不同模型版本情况有别，更新还改进语音和记忆功能。
2026开年王炸模型MiroThinker 1.5实测：Google和GPT没做到的事，被它做到了
自媒体从业者实测开源模型MiroThinker 1.5，它不拼参数规模，注重去伪存真。在多场景测试中表现出色，如投资决策、内容查证等。其技术揭示大模型未来或在于外部交互，而非参数膨胀。
以孔子命名，超越Claude 4.5 Opus，Meta发布工业级自我进化AI软件工程师CCA
Meta与哈佛联合推出工业级软件工程师CCA，它是一套让AI在工业级代码库协作的方法论，解决长上下文推理等难题。其三维解耦设计、精细记忆机制、自我进化能力获数据验证，还适合引入强化学习。