「代码评估数据集」共找到 4429 篇相关文章
陶哲轩回应OpenAI宣称内部实验模型获得IMO金牌：不予置评「测试方法不公开就是“作弊”？」
OpenAI宣称内部实验模型获IMO2025金牌，陶哲轩呼吁对AI竞赛表现保持审慎。他强调评估AI不能只看结果，测试方法很重要，对未公开测试方法的自我报告成绩不予置评。
上海交大/上海AI Lab翟广涛：当评测不再重要，AGI就实现了
上海交通大学教授翟广涛认为完美的AI评测体系等同于通用人工智能。当下评测体系存在数据污染、原子化能力评测局限等问题，他主张回归‘以人为本’，团队提出相关框架和技术路径，目标是训评一体。
给你一群顶尖AI，如何组队才能发挥最大战力？UIUC用一个新的多智能体协作基准寻找答案
现有的评测基准无法衡量多智能体系统内部的协作效率、沟通质量和竞争策略。为此，伊利诺伊大学厄巴纳 - 香槟分校的研究者推出 MultiAgentBench，能全面评估 LLM 多智能体系统协作与竞争能力。
Claude Code发布4个月，用户已经11.5万了，开发者：200 美元/月不算贵
Anthropic的Claude Code发布4个月吸引11.5万开发者，一周处理1.95亿行代码。它集成Claude Opus 4模型，功能实用，口碑好，让开发者觉得物有所值，反映开发者对AI编程工具接受度提升。
复旦提出自适应Reasoning方法ARM，“能屈能伸”
复旦提出自适应Reasoning方法ARM，解决LLM‘过思考’问题。ARM内置四种解题策略和三种决策模式，还搭配Ada - GRPO算法，在23个数据集测试中表现出色，省token、提速度且准确率高。
人形机器人不再「走走停停」：Current Robotics发布全身灵巧操作模型Curr-0
具身智能领域中，让机器人移动中精细操作一直未被很好解决。Current Robotics发布全身灵巧操作模型Curr - 0，用Single Policy统一策略，数据源于自研外骨骼系统，还构建世界模型解决评测部署难题。
编程脚手架狂揽 20 万星，Agent 基础设施成 GitHub 新战场
近日，GitHub Trending 榜首的「obra/superpowers」飙到近 20 万星。它是 AI 编程脚手架，能让 AI 按专业流程产出高质量代码，解决开发者难题。GitHub 上 Agent 基础设施项目爆发，各公司也在布局，工程标准争夺激烈。
AI学会梦里干活！Claude发布3大进化，Dario：单人公司10亿美金爆发
在 Code with Claude 大会上，Anthropic 为 Claude Managed Agents 上线三项功能。‘做梦’解决记忆退化，成果评估自动检查工作，多 Agent 协作让复杂任务分工处理。Dario 称 AI 时代单人公司或达 10 亿美金营收。
不得了，这个新技术把视频压缩到了0.02%！
中国电信人工智能研究院的生成式视频压缩（GVC）技术，将视频数据压缩率干到0.02%，还能保持画面高清连贯和细节。它以‘用计算换宽带’为核心理念，在实测中表现优异，有诸多应用场景。
Moonshot AI发布Kimi Linear技术报告，采用混合线形注意力架构
Moonshot AI在Hugging Face发布Kimi Linear技术报告，该48B参数模型采用混合线性注意力架构，称超越传统全注意力机制。官方数据体现其优势，模型已开源，社区反应不一，MiniMax则回归全注意力架构。