「编程能力评估」共找到 4430 篇相关文章
AI行业的底牌已经亮完了，模型能力趋同后，拼什么？
Databricks MVP Adi Polak分析AI人才需求，指出能搭建评估管道等的工程师是硬通货。前沿模型架构趋同，行业从技术竞赛转向生态战争，比拼产品和用户理解能力，还为转型工程师给出建议。
GSD框架解析：解决AI编程工具Context Rot的工程化方案
文章介绍GSD框架，它旨在解决AI编程工具的Context Rot问题，通过Meta - prompting等方法将开发过程阶段化。提供常用命令稳定工作流，有实用新能力，适用于多种场景，以npm包部署，支持多平台。
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。
AI Coding新王登场！MiniMax M2.1拿下多语言编程SOTA
MiniMax发布旗舰级Coding & Agent模型M2.1，在Multi - SWE - bench榜单中以10B激活参数拿下49.4%成绩，超越竞品成SOTA。它解决模型‘偏科’问题，适配开发工具链，实测在多语言编程任务中表现出色。
“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。
拜拜Claude！阿里最强万亿模型编程秒了Opus4，实测在此
阿里推出总参数达1万亿的Qwen3 - Max - Preview （Instruct），比前一代Qwen3（235B）强四倍，发布即上线。官方测评显示它打败Claude Opus 4等对手，实测其编程能力出色，后续正式版值得期待。
实测 Seed 2.1：豆包基模超进化，国产模型能力跨过质变点
作者在做面向 Agent 项目时，因 Claude Code 内存开销大，需更轻方案。火山引擎 Force 大会发布 Seed - 2.1，作者实测其在办公、编程、图像理解等方面表现出色，认为它跨越质变点，将赋能国内 AI 生态圈。
AI编程「反直觉」调研引300万围观！开发者坚信提速20%，实测反慢19%
非营利性 AI 调研机构「METR」对 AI 编程工具影响开发者效率进行随机对照实验，结果意外：开发者本坚信提速 20%，实测却慢 19%。还分析了原因，指出调研局限与未来展望。
刚刚，OpenAI在ICPC 2025编程赛上满分登顶，Gemini也达到金牌水平
在ICPC 2025编程赛上，OpenAI 5小时内解决12个问题满分登顶，其由通用推理模型集成体构成，结合GPT - 5与实验性模型；Gemini解决10个问题达金牌水平，在部分难题表现出色。
Claude时代终结？LMArena实测DeepSeek R1编程得分超Opus 4，但月暗称其新模型更胜一筹
在闭源模型主导的AI环境下，开源的DeepSeek - R1（0528）在LMArena测试中表现亮眼，编程得分超Claude Opus 4，引发社区关注与讨论。不过LMArena曾被指责偏袒，其联合创始人反驳。此外，月之暗面新模型Kimi - Dev - 72B编程成绩超R1。