搜索：编程基准测试

「编程基准测试」共找到 2950 篇相关文章

Transformer八子初创：AI横扫NP难题竞赛，Top 2%选手竟是智能体！

Transformer作者Llion Jones初创公司测试AI智能体，其在NP难题竞赛中排第21。Sakana AI与AtCoder合作构建ALE - Bench，设计ALE - Agent参赛成绩优异，不过它也有调试难等局限，未来待改进。

香港科技大学KnowComp实验室与香港华为理论部提出AutoSchemaKG框架，可自主构建知识图谱，无需预定义模式。该系统利用大模型提取知识三元组并归纳模式，构建了ATLAS系列知识图谱，经测试表现优异。

过去两年，世界模型成为大模型演进重要方向，但现有模型多聚焦宏观世界。本文提出MicroVerse模拟框架，将研究边界拓展到微观尺度，还推出MicroWorldBench评测基准和MicroSim - 10K数据集，推动AI从视觉模拟迈向科学模拟。

谷歌Gemini 3将上线消息正热时，马斯克旗下xAI的Grok 4.1凌晨上线。它有两个“形态”，免费开放且有APP版。在LMArena测试中表现优异，事实稳定性、情商、创意写作等能力提升，实测也有不错表现。

a16z发布「全球Top100消费级GenAI应用榜单」，显示AI竞争格局渐稳，进入多极化阶段。中国多款产品跻身前十，谷歌携四款产品入榜，ChatGPT居首，Grok紧追，氛围编程崛起，还有14家‘全明星’公司从未缺席。

很多开发者吐槽并弃用 Cursor，因其付费后砍功能、技术变差、营销像‘障眼法’，引发信任危机。部分用户转向 Claude Code，不过企业侧使用情况有差异。AI 编程工具竞争激烈，需多维度构建优势，市场未来趋势明显。

Anthropic针对Claude Opus 5、Claude Fable 5等新模型，删超80%Claude Code系统提示词，编码测试成绩无明显下降。CC技术团队成员发文指上下文工程规则重写，还总结新旧规则对比，并给出内容撰写建议，还上线新命令。

马斯克发布Grok 4.1，同时霸榜大模型竞技场第一和第二。它在思考与非思考模式表现出色，还在新专家榜和职业榜霸榜。此外，它在情商测试表现佳，还加强快速回复、改善幻觉问题，已向所有用户开放。

OpenAI发布GPT - 5，一口气推出三个版本API。发布会图表出错被吐槽，其自适应思考能力似抄Claude作业。发布会重押编程能力，因Anthropic靠Claude在API市场抢了不少写代码用户，实测中GPT - 5与Claude 4.1表现接近。

OpenAI昨夜官宣上线最强推理模型o3 - pro，还将o3价格暴降80%。o3 - pro专为深度思考和提供超可靠答案而生，在多项测试中表现优异，虽有速度慢等限制，但优势明显，网友实测效果惊艳。