「SWE基准测试」共找到 2091 篇相关文章
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。
Claude 5史诗级泄露，史上最强编程模型评测炸裂！核心秘密曝光
Anthropic的Claude Sonnet 5即将发布，已存在于谷歌基础设施中，性能领先谷歌‘Snow Bunny’一代。它价格比Opus 4.5便宜50%，有100万token上下文窗口，SWE - Bench成绩超80.9%，还有自动开发团队模型。
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。
让 AI 自己打怪升级，Meta用Self-play RL把Coding推向超级智能
Meta FAIR、Meta TBD Lab等朝着“超级智能软件工程Agent”迈出第一步。SSR让大模型零人类标注，靠自生成Bug和自修复稳定碾压人类数据基线，新旧范式对比优势明显，还介绍方法、实验结果与理论洞察。
两个LLM互相对线，推理能力起飞：康奈尔团队发布大模型版类GAN训练法
康奈尔大学团队提出面向大语言模型的类GAN训练框架PasoDoble，通过对抗训练两模型提升推理能力，不依赖外部监督，在多模型实验中显著提升数学基准表现，不过在部分领域外任务有局限。
超实用提示词模板！AI科学家教你用协作提示词激发大模型潜力
文章由知名AI科学家Lance Eliot所写，指出主流大语言模型因训练机制变得‘短视’，缺乏深度协作能力。介绍协作提示词技术，能让AI成为主动引导者，并以测试展示效果，还说明了适用场景。