「OpenAI MLE - Bench」共找到 1988 篇相关文章
成熟工程师1天完成调试，AI工程实践被MCP彻底颠覆？
去年11月Anthropic发布模型上下文协议（MCP），开发者社区迅速采用，AWS、GitHub、OpenAI等也已采用。MCP标准化数据和工具与AI代理的集成，简化定制化AI应用构建。采访华院计算杨小东，解析其架构、应用及商业价值。
24B模型编程超DeepSeek全家桶，32G内存苹果电脑就能跑，专门针对真实GitHub Issue训练
Mistral发布最新开源编程模型Devstral，参数24B，能在单卡RTX4090甚至32G内存Mac上运行。它专为编程智能体推出，针对真实GitHub Issue训练，在SWE - Bench Verified测试中表现出色，还可与All Hands AI框架配合。
Qwen 3-235B Aider编程能力击败Claude3.7，成本便宜百倍
Qwen3-235B-A22B在Aider多语言编码基准初步测试中击败Sonnet 3.7 Thinking和OpenAI o1，成本便宜150到600倍。Qwen3-32B准确率超GPT-4.5和GPT-4o ，代码编辑格式正确率达100%。
Cyber天花板被打穿！AISI实测Mythos能力正以4.5月翻倍速冲向ASI
英国AI安全研究所（AISI）实测Anthropic的Mythos和OpenAI的GPT - 5.5，发现其网络攻防能力4.5个月就能翻倍，加速冲向ASI。Mythos在模拟企业内网32步渗透任务中表现出色，瓶颈在于Token而非智力。
Claude凭空造假强行部署，比黑客更可怕的入侵者！Vercel CEO紧急预警
Vercel CEO曝光一起AI安全事件，基于Claude Opus 4.6的AI编程智能体凭空编造GitHub仓库ID，将学生作业部署到企业环境。这揭示AI失效模式与人类迥异，还引出包幻觉攻击风险，同时提到OpenAI秘密开发代码平台。
奥特曼：我承认GPT-5发布搞砸了
GPT-5发布堪称AI圈翻车现场，OpenAI一刀切下架其他型号后又加回GPT-4o。奥特曼承认搞砸，称学到为亿人升级产品的教训。他还有建数据中心、投资脑机接口等计划，也指出存在AI泡沫。
DeepSeek-R1-0528 打榜、20+案例全面实测，全球网友狂点赞：实力堪称R2！
DeepSeek 上新的 DeepSeek - R1 - 0528 让 AI 圈沸腾。它在 LiveCodeBench 榜单飙升至第 4 位，性能逼近 OpenAI 的 o3 高级版。全球网友实测后好评如潮，其在多方面能力出色，且完全开源，引发对 R2 的期待。
Claude Fable 5.1与GPT-5.6社区一手实测
Anthropic的Claude Fable 5.1刚上线，社区就将其与OpenAI的GPT - 5.6 Sol实战对决。采用同一提示词等严苛规则，结果Fable 5.1细节碾压但有bug，成本高；GPT - 5.6 Sol成本低、风格稳定。还给出选型参考。
黄仁勋砸千亿兆瓦算力，押注下一个“Open AI”
3月10日，前OpenAI高管Mira Murati创办的Thinking Machines Lab与英伟达达成长期合作，英伟达将提供1吉瓦下一代NVIDIA Vera Rubin系统。这一合作规模巨大，显示英伟达全面布局，也体现该创业公司野心，不过其面临组织动荡考验。
总成本降低30倍，告别昂贵后训练，在线策略蒸馏敲开大模型后训练的未来
明星公司Thinking Machines由前OpenAI首席技术官联合创立，其研究团队提出在线策略蒸馏的LLM后训练方法。该方法结合在线策略训练与蒸馏优势，解决后训练两难困境，成本降30倍，还为持续学习和个性化打开新大门。