「Coding 基准测试」共找到 2878 篇相关文章
ICLR 2026｜首个微观世界模型MicroVerse来了，AI开始模拟看不见的世界
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。
马斯克抢先谷歌一步放大招，Grok 4.1登顶LMArena，创意写作直逼GPT-5.1
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。
AI 颠覆的第一个职业是程序员？｜GAIR Live
文章围绕“AI颠覆的第一个职业会是程序员吗”展开讨论。嘉宾认为AI Coding尚处早期，有潜力成新工程范式。它面临“幻觉”、上下文窗口限制等瓶颈，未来开发者角色或转变为“业务翻译者”和“需求架构师”。
用户集体大逃亡！Cursor“自杀式政策”致口碑崩塌：“补贴”换来的王座，正被反噬撕碎
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。
马斯克悄然发布Grok 4.1，霸榜大模型竞技场所有排行榜
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。
引入小目标注意力模块改进YOLO12用于无人机视角下的岸边人员玩水检测
文章介绍用小目标注意力模块改进YOLO12，用于无人机视角下岸边人员玩水检测。先介绍YOLO12特点与结构，再说明小目标注意力模块CBAM优势、流程及代码，接着阐述改进方法、数据集情况，最后给出训练和测试模型的代码与结果。
Auto Research时代，47个没有标准答案的任务成了Agent能力必测榜
Einsia AI旗下Navers lab发布Agent Benchmark——Frontier-Eng Bench，让AI在47个多学科交叉的硬核任务中做工程优化，测试其迭代优化能力。研究总结出AI进化规律，初步勾勒接近真实工程循环的AI系统。
Agent效率X10，ClaudeCode/Codex 专属的文件管理Agent：Agentfile
Claude Code创始人用多Claude并行开发，作者受启发做了Agentfile。它能将项目文件夹变为标签页，便于切换，从Wave改进而来，轻量且适合承接HTML结果，是Skill驱动的Agent，定位为多Agent工作流收口台。
Harness Engineering实践，做了一个平台让AI一晚上自动评测和优化你的系统
作者分享搭建小平台实现全自动化评测与系统优化的实践，包括创建评测任务、集、报告等，通过钉钉文档、绘报等案例展示操作，还能自动优化系统，不过需系统UI规范、AI Coding含量高。
newtype OS操作手册
作者黄益贺介绍newtype OS安装、配置与使用方法。它是定制化工具，比Claude Code更适合知识消化与内容产出。安装简单，配置需连模型供应商、给Agent配模型，使用时与Chief对话即可。