「代码评估」共找到 2302 篇相关文章
AI实践｜基于 Spring AI 从0到1构建 AI Agent
本文是基于Spring AI构建AI Agent的实践分享。该项目集成RAG、Function Calling等核心能力。文章从六个核心模块剖析其架构与实现，涵盖配置、访问方式，还介绍各模块工作机制、代码及应用场景。
Meta-Harness：让AI 改进自己的Harness
斯坦福IRIS实验室Yoonho Lee团队推出开源框架Meta - Harness，让AI自我优化流程。它像给AI用的‘时间机器’，记录源代码、执行轨迹和评估分数。在任务上表现出色，但也面临耗时、数据爆炸等挑战。
刘壮陈丹琦新作：开源通用视觉推理RL框架，0思考数据刷新SOTA
普林斯顿刘壮团队、陈丹琦参与推出开源通用视觉推理RL框架Vero。它构建的视觉推理器在30多项测试达8B视觉语言模型SOTA，解决了开源RL方案的问题，所有数据、代码、模型均已开源。
刚刚，全球首个AI科学家登上Nature！包揽提出idea到写论文全流程，已通过人类盲审
历经一年半研发，Sakana AI联合多高校打造的AI科学家系统登上Nature杂志。该系统能自主完成科研全流程，代码和论文已开源。还介绍了自动审稿人、缩放定律，也指出其局限，引发伦理探讨。
人大高瓴孙浩团队发表Nature子刊封面文章：基于并行符号枚举的物理定律发现
中国人民大学高瓴人工智能学院孙浩教授团队在《自然 - 计算科学》发表封面论文。提出PSE框架解决符号回归瓶颈，通过公共子树复用和GPU并行提升评估效率，实验表现优于现有方法，也指出了局限性与未来方向。
拒绝「降智、减配、乱收费」：面向LLM API的可信验证框架
大语言模型成AI应用基础设施，黑盒服务模式引发信任危机。研究者提出IMMACULATE审计框架，能在不暴露模型信息、仅1%额外开销下，验证黑盒LLM API执行完整性，检测违规行为，相关论文与代码已公开。
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。
字节开源版Seedance发布，超越Sora 2！
字节Alive团队发布开源版Seedance 2.0，在人类评估中超越Sora 2等。它通过统一架构、时空对齐技术和非对称训练策略，解决声画不同步和画质音质难两全问题，还建立数据流水线和测试基准。
Clawdbot爆火背后的9个真相：创始人首次公开访谈全揭秘
Clawdbot（现名Moltbot）爆火，GitHub星数激增。其创始人Peter Steinberger首次公开访谈揭秘9个真相，包括项目原型1小时完成、被AI语音回复震惊、被强制改名等，还分享对融资、安全及行业趋势的看法。
没KPI反而爆了？Cursor大神一人敲出核心功能！CEO上手7天不宕机，AI编程玩法全变了
昨日，Cursor的CEO基于GPT - 5.2构建了超300万行代码的浏览器，具备基础可用性。同时，Cursor工程负责人在访谈中分享了编码Agent发展、Cursor使用方式、未来方向等多方面内容，还揭秘团队工作模式。