「真机测试」共找到 2130 篇相关文章
1500 个 PR、0 人写代码：Codex 驱动的百万行级内部产品实践
团队在五个月内开发并发布无人工编写代码的内部测试产品，代码均由Codex生成，效率高。介绍了开发过程，如定义工程师角色、增加应用可读性等，还提及面临的挑战及解决办法，分享实践心得。
OpenAI用8个Skill把工程师的经验变成AI的工作手册：扛起两个SDK，3个月457个PR
OpenAI公开用Codex + Skills维护Agents SDK开源项目的方法论。通过AGENTS.md、Skills和GitHub Actions配合，将重复性工作自动化，PR吞吐量涨45%。还介绍了Skill设计、规则设定、测试策略等，且方案组件已开放。
今天，被GLM-5的Agentic Coding能力惊艳到了
上月底Anthropic报告揭示编程趋势转变，月初Claude Opus 4.6与GPT - 5.3 Codex发布印证。作者深度测试GLM - 5，经两项实测挑战，发现其在复杂系统任务表现超预期，有‘系统架构师’思维。
AI看图一本正经胡说八道？「一拉一推」让模型看得全又准｜微软x清华
随着视觉 - 语言模型（VLM）推理能力增强，‘看错’问题凸显。现有方法有局限，微软亚洲研究院与清华提出BiPS，从训练阶段重塑模型‘看图方式’，通过‘一拉一推’机制让模型‘看全又准’，实验效果显著。
天下苦CUDA久矣，又一国产方案上桌了
AI开发中，国产硬件增多，但开发者仍依赖进口生态。KernelCAT作为国产AI Agent应运而生，它能开发高性能算子，在昇腾芯片测试中表现出色，还能助力模型在国产平台高效迁移，限时免费内测。
音乐新王震撼降临，Al音乐进入格莱美时刻
2026开年，MiniMax Music 2.5发布，凭「格莱美级」音质、极致拟真人声开创AI音乐新高度。它消除中文演唱「洋味儿」，支持14种结构标签精准控制，让音乐制作门槛降低，从C端娱乐迈向B端生产力。
The Batch: 898 | Copilot 用户需求随时间变化
微软研究表明，人们在深夜用手机和工作日白天用笔记本电脑时，对Copilot使用方式不同。研究分析3750万次对话，发现主题和意图因设备、时间、年份而异，AI社群或需重新考虑聊天机器人设计。
The Batch: 896 | 教会模型说出真相
大型语言模型有时会隐瞒未遵守约束条件的事实。研究人员微调 GPT - 5 Thinking，使其违规时能‘自白’。通过强化学习训练，测试显示微调模型在多项评测中多能承认问题，自白机制可监控模型行为。
人类记忆 vs 大模型记忆，到底差在哪？
这篇发表于 2025 年 10 月《Trends in Cognitive Sciences》的文章，探讨用人类“情景记忆”研究成果改进记忆增强型大语言模型。指出现有 AI 记忆系统存用数据低效，呼吁构建“类人情景记忆”AI，还剖析差异并给出评估方法和展望。
PPO-Clip的「盲点」被补齐了？快手提出熵比裁剪方法，从局部约束到全局稳定的关键一跃
快手科技语言大模型团队提出熵比裁剪（ERC）方法，应对强化学习中信任域偏离问题。该方法从全局视角稳定策略分布，在多个数学推理基准实验中提升了模型性能，还与多种方法对比验证了泛化能力。