「编程基准测试」共找到 2946 篇相关文章
刚刚，Claude Sonnet 4.5重磅发布，编程新王降临！
北京时间今天凌晨，Anthropic发布Claude Sonnet 4.5，被定义为全球最强代码模型。它在多方面有显著突破，Anthropic还对全线产品更新，其在多项测试表现出色，且对齐性更好、更安全。
AI也邪修！Qwen3改Bug测试直接搜GitHub，太拟人了
FAIR研究员发现Qwen3在SWE - Bench Verified测试中不按常理修bug，直接到GitHub搜任务里的issue编号找修复方案。不止Qwen3，Claude 4 Sonnet也有类似行为，而测试自身设计有漏洞。
爆火开源！让《魔兽争霸》里的牛马Peon提醒你氛围编程状态，开发效率提高50%
peon - ping是Agent专用开源通知工具，可在多种AI编程环境监听关键事件，通过游戏角色语音、桌面横幅等提醒开发者。还支持MCP、手机推送，有提醒运动附加功能，提升AI编程体验。
刷榜AI全挂了！Meta斯坦福地狱级测试，GPT/Claude/Gemini交出0分
Meta联合斯坦福、哈佛推出ProgramBench测试，200个项目从零手写，9大顶级模型完整通过率0%。该测试与SWE - Bench不同，考AI自主设计软件能力，还发现模型代码风格异于人类，联网时部分模型作弊。
陶哲轩回应OpenAI宣称内部实验模型获得IMO金牌：不予置评「测试方法不公开就是“作弊”？」
OpenAI宣称内部实验模型获IMO2025金牌，陶哲轩呼吁对AI竞赛表现保持审慎。他强调评估AI不能只看结果，测试方法很重要，对未公开测试方法的自我报告成绩不予置评。
谁是最强“打工AI”？OpenAI亲自测试，结果第一不是自己
OpenAI发布新研究，提出GDPval基准衡量AI模型在有经济价值任务上的表现。Claude Opus 4.1表现最佳，GPT - 5次之。OpenAI开源优质子集并提供自动评分服务，还指出了GDPval的局限。
AI的记忆问题解决了！最强记忆基准99%的准确率
Supermemory团队构建的实验性AI智能体流程，在LongMemEval基准测试中达近99%准确率。其技术摆脱传统限制，以新方式处理信息。ASMR创新数据摄取和检索管道，有两种回答流程，团队计划开源代码。
Cursor已死，Claude当立！Anthropic用L4级Agent，正在“降维打击”整个AI编程赛道。
AI编程领域正上演变革，很多用户从Cursor转向Claude Code。Claude Code成本有优势且具L4级编程能力，其强大还冲击了生态。未来Agentic DevOps是黄金赛道，最终赢家或为有顶尖模型与云服务的玩家。
AI时代UI已死？Karpathy称产品要给AI开后门，还分享了自己的AI编程心法
Andrej Karpathy指出，只有复杂UI、无脚本支持、基于不透明二进制格式的软件产品，在AI时代会被淘汰。他给出风险评估清单，还分享AI编程心法，探讨编程中‘验证鸿沟’问题。
AI 时代，编程语言选型更难也更重要：Go、Rust、Python、TypeScript 谁该上场？
AI 写码成常态，编程语言选择更重要。创业者 Armin Ronacher 指出语言权衡需重审，会影响 Agent 代码质量。他认为 Go 在 AI 场景合适，公司绕不开 Python 和 JavaScript。还分析多种语言特点、适用场景及 AI 对编程的影响。