搜索：编程Agent评测

「编程Agent评测」共找到 3971 篇相关文章

电脑操作、技能、连接器、工作伙伴：豆包的牌来了

最近字节有两个豆包相关新闻，一是在训练超大模型，二是反对模型蒸馏。豆包上线大批 Agent 相关工作任务能力，覆盖办公场景，如电脑操作、技能商店等，过程流畅且可观察，还更新移动端，实现远程控制。

文章探讨 AI 写大部分代码时软件工程的走向。最新模型让开发者有‘顿悟时刻’，如 Google 工程师用 Claude Code 一小时完成去年的工作。AI 编程能力在 11、12 月迎来拐点，专业知识贬值，软件工程师核心能力更重要，也带来诸多挑战。

Anthropic推出新产品Managed Agents，定位是帮用户做Harness。它指出Harness保鲜期短，自己维护不划算。技术上把Claude Agent SDK拆成三块，让Harness成可热插拔模块。不过通用Harness有局限，开源社区也有新路线。

文章回顾软件开发史，从 COBOL 到如今的 AI 编程工具，每次新技术都承诺让编程变简单，但始终无法绕开复杂性。指出软件开发瓶颈在处理复杂性的思考能力，提醒用新工具时保持清醒。

7月24日，中科院计算所“知境”团队发布知境社会心智大模型技术体系，为现有大模型补社会心智短板。其建评测体系SoMBench，设计训练系统Zing，用部署架构Actio，在多评测超越GPT - 5.5等，应用前景广。

AI客服是Agent商业化落地佳场景，市场价值千亿级。7月22日OpenAI发布面向企业的Agent部署产品Presence，已在其英文客服热线运行，服务质量超人工。这将使它与用其模型搭建方案的公司成竞品。

维纳智能登上Nature通讯，其让大模型自动生成高精度推理数据，用闭环反馈驱动专业Agent自主演化。该公司在多领域交出工业级精度答卷，还解决了Agent泛滥的困局，推出多款创新产品。

来自中山大学等的研究者提出SeePhys Pro，是面向多模态物理推理的细粒度评测与训练诊断框架。发布了benchmark、训练集等，测评显示当前模型在信息模态转变时不稳定，为模型评测和训练研究提供基础。

作者分享 Lovart 正式版体验。其设计 Agent 成完全体，新增评论系统 ChatCanvas，可直接在无限画布上给 Agent 提修改要求，还吸收 Cursor 代码补全交互。支持单张和多张图片调整，奠定 AX 交互基石。

中国人民大学与阿里巴巴通义实验室团队提出 IterResearch 迭代式深度研究范式。它能让 Agent 在 40K 上下文下完成 2048 次工具交互且性能不衰减，解决了传统范式上下文臃肿问题，论文已被 ICLR 2026 接收。