「代码生成基准」共找到 4187 篇相关文章
豆包 AI 编程：一句话写赛博鱼缸，动嘴皮改富士滤镜
豆包发布全新模型 1.6 后，AI 编程更新，基于此模型在评测集位列第一梯队。它实现低门槛+可用性，能一句话生成网站、工具，还可可视化编辑，目标是让普通人能做产品。
牛津、NUS提出下一代世界模型方向：心智世界模型来了
牛津大学和新加坡国立大学研究团队提出心智世界建模（MWM）通用框架，将心智变量纳入世界状态。还实现基准系统 MENTIS 验证其有效性，实验表明 MWM 对预测人类决策必要，瓶颈是状态转移模拟能力不足。
Anthropic承认了！Claude Code木马门被抓包，明天回滚
Anthropic被曝在Claude Code中暗藏隐形代码，从2.1.91版本起，通过隐写术秘密传输信息。Claude Code负责人称是实验，明天回滚。同时，其下一代模型Fable 5或引入实名验证等机制。
今天，Claude入职了！
Anthropic官宣Claude Tag，这是团队协作用Claude的全新方式，像“AI同事”般出现在Slack会话栏，响应主动，完成65%代码编写。它是Claude Code升级版，与前两代AI交互方式不同，Anthropic已离不开它。
ICLR-26腾讯混元：Agent是强大的，但用户是狂野的
现有LLM工具使用基准测试场景理想化，忽视真实用户行为复杂性。腾讯提出WildToolBench，基于真实用户行为构建测试集，对58个模型评估，发现模型准确率低，揭示LLM在真实场景下能力缺口，为模型优化指明方向。
港大开源视频版RAG，像聊天一样看完百小时纪录片。
港大HKUDS团队开源超长视频理解框架VideoRAG，突破传统模型时长限制，支持对数百小时视频精准检索和问答。还有桌面应用Vimo，使用简单高效。介绍了其切片索引、混合检索、生成回答的实现逻辑。
刷新SOTA高出19.05分！英伟达开源OmniVinci全模态理解模型，只用1/6的数据，实现全方位超越
英伟达研究团队发布OmniVinci研究，该全模态理解大语言模型用六分之一训练数据，在全模态理解基准测试成绩超现有顶尖模型19.05分。它靠创新架构和数据策略实现效率与性能双突破。
腾讯开源了一个通用智能体，又刷榜了GAIA~
腾讯优图实验室开源了 `Youtu-agent`，在深度搜索和工具使用benchmark上表现佳。它不依赖GPT/Claude，有自动智能体生成功能，提供单、多智能体模式，还集成分析平台，可实时调试与离线分析。
LLM总是把简单任务复杂化，Karpathy无语：有些任务无需那么多思考
随着推理大模型和思维链普及，大模型有了‘深度思考’能力，但现在有些偏科，简单任务也复杂化。AI大牛Andrej Karpathy发长文指出该现象，认为是基准测试优化所致，大模型发展不能只追求分数。
AI驱动的研究报告生成器Open Deep Research
Open Deep Research是AI驱动的研究报告生成器，用户提问题可获全面且有来源的答案。它采用Next.js 15等技术栈，经多步骤生成综合报告，还介绍了克隆与运行方法及项目地址。