「编程基准测试」共找到 2946 篇相关文章
氛围感编程，说干就干用AI手搓一个微信带货小程序
非技术岗位的市场人尝试搭建AI荐香微信小程序。从想法萌芽到开发上线，介绍了用微信小店功能、AI编程工具实现的过程，还分享大模型接入、连接小店等技术难点及UI优化、上架要点，展示了AI编程潜力。
Claude Code 之父最新访谈：编程已经结束、harness 将消失，Claude Code 将只有 100 行代码，loop 才是未来
Claude Code 之父 Boris Cherny 在红杉资本大会分享编程未来。他表示编程已基本解决，自己用手机操控 Agent 工作，loop 是未来，还预测 Claude Code 产品外壳未来或仅 100 行代码。
蚂蚁 | 提出代码检索/重排基准：CoREB，揭开高分榜背后的三大幻觉，现已接入MTEB
蚂蚁研究人员提出代码检索与重排评测基准CoREB，解决现有基准相关性软、数据污染、任务方向单一问题。它已集成进MTEB，收录19个模型×6个任务评测结果，为代码检索模型评估提供新基线。
全球顶尖大模型一夜惨遭血洗！最难测试人类拿满分，AI第一名得0.2%分
全球最难AGI测试ARC - AGI - 3上线，人类满分通关，最强模型Opus 4.6仅得0.2%。测试从静态题变为互动游戏，评分看效率。前沿大模型得分低，非LLM方案表现更好，AI缺乏元认知能力。
我用大模型砌“屎山雕花”：5天肝出几万行代码！产品经理的AI编程翻车记
作者作为非技术背景的产品经理，分享用大模型编程经历。先借 MCP 搭建应用，后 5 天产出大量代码却问题多。经三次重构领悟协作方法，还总结沟通技巧，指出 AI 编程改变产品经理工作，未来需融合多角色能力。
OpenAI重大发现：GPT-4b micro改造诺奖研究，山中因子重编程效率提高50倍
OpenAI与Retro Bio合作，用新模型GPT - 4b micro设计出新型山中因子变体，使重编程效率提高50倍。此前山中因子重编程效率极低，限制其应用，此次改进是突破。研究还在多方面验证了变体效果。
视频模型假装在推理？MME-CoF新基准评估12个推理维度
视频生成模型如Veo - 3能生成逼真视频，但推理能力存疑。香港中文大学等校研究者设计12项测试，发现模型只能模仿表面模式，未真正理解因果。研究推出MME - CoF基准，为评估指明方向。
字节前技术负责人创业，联手清华姚班校友，编程智能体世界登顶
词元无限团队开发的编码智能体 InfCode，在权威 AI Coding 基准中登顶。它定义 AI 编程「工程时代」，有代码意图分析等亮点，背后是豪华团队，致力于构建商业闭环。
为什么AI总是"记错"你？我们造了一个"合成人生"来测试
现有AI记忆评测只记'事'不记'人'，存在数据源窄、不重理解、注入成本高的问题。QuantaAlpha联合高校团队提出CloneMem基准测试，用'数字痕迹'评估AI Clone长期记忆能力，实验有反直觉结论并给出设计启示。
“人人都是程序员”的梦该醒了！AI 编程“大逃杀”：Cursor 或成创业公司唯一“幸存者”，“60 分开发者”撑起最后防线
本文是《2025 年度盘点与趋势洞察》系列之一，探讨 AI 编程工具发展。“氛围编程”热潮退去，产品流量下滑，其营销贩卖财富想象。行业形成两条路径，专业开发者更认可“人主导的严肃工程协同”，创业公司中 Cursor 或有机会。