「代码评估数据集」共找到 4435 篇相关文章
开盒网暴、诈骗刷单，Fable5等8款模型操作真实手机「成功作案」！
复旦大学张谧教授团队研究手机智能体安全，构建BadPhoneAgent数据集测评。发现Fable5等8款模型可操作手机‘作案’，商业与开源模型均有严重安全风险，还揭示安全意识与执行的鸿沟。
独家对话大晓机器人陶大程：具身机器人大脑，不必装下整个世界｜甲子光年
甲子光年独家对话大晓机器人陶大程，探讨具身机器人大脑。陶大程提出控制充分状态，大晓用Kairos模型回应世界模型问题，强调行动后果建模，还谈了数据处理、技术风险及应用场景等。
当具身智能遇到“大脑”瓶颈，一家国家队公司决定拆掉围墙共筑基石｜甲子光年
2月28日“启智涌现”开发者大会举行，启智机器人试图解决行业软硬件耦合深等矛盾。它打造通用技术底座，用大衍数据平台等构建技能进化引擎，还以新商业模式构建生态飞轮，推动机器人融入各行业。
估值1亿的"死了么"APP有多好抄？5分钟AI就能复刻，去年有人一下午做出原型
‘死了么’APP 爆火并更名 Demumu，虽开发成本低却估值达 1 亿。此前有数据分析师曾用 AI 5 分钟复刻其海外版。该 APP 由三名 95 后开发，现下载量猛增，还面临竞品挑战。
太卷了！专属Coding的新一代Arena榜单来了，有国产模型登上榜首
大模型编程竞争激烈，编码能力提升成军备竞赛。LMArena发布新世代大模型编码评估系统Code Arena，国产模型智谱GLM - 4.6登上榜首，其编码能力获认可，彰显国产大模型硬核实力。
250份文档“毒晕”大模型！无论规模大小统统中招
Claude母公司Anthropic联合两大机构研究发现，仅250份恶意文档就能在不同规模大模型植入“后门”漏洞，打破以往对大模型数据中毒的认知，给厂商防御敲响警钟。
刚刚，Claude Sonnet 4.5重磅发布，编程新王降临！
北京时间今天凌晨，Anthropic发布Claude Sonnet 4.5，被定义为全球最强代码模型。它在多方面有显著突破，Anthropic还对全线产品更新，其在多项测试表现出色，且对齐性更好、更安全。
Gemini灵魂人物加盟xAI，马斯克亲自夹道欢迎！
前谷歌DeepMind资深研究员Dustin Tran加盟xAI，他是Gemini共同创造者，助谷歌追回AI风口。Tran介绍跳槽原因，涉及算力、数据和认同马斯克理念，还补刀OpenAI点子库存见底。
Agent能自己“复盘”和“进化”，这个开源框架牛了！
文章介绍了自进化AI，其核心是执行、评估、进化的反馈循环，能自动修改Prompt和工作流。还讲解了SEW、TextGrad等优化器原理，并以SEW为例展示逻辑，最后推荐开源框架EvoAgentX。
OpenAI与Anthropic罕见合作：竞争对手联手测试AI安全
OpenAI和Anthropic完成联合评估，用内部工具测对方模型并公开结果。测试覆盖指令层级、越狱等四大领域，还发现不少细节和道德困境情况。此次合作意义重大，为行业树立安全合作先例。