「代码评测」共找到 2225 篇相关文章
AI编码不是梦：手把手教你指挥Agent开发需求
文章聚焦AI实践应用，以后端开发为例，介绍用AI编码实现需求的流程，涵盖工程结构、各层代码生成等。还分析AI编程问题，提出解决方案，给出生产案例，最后展望AI在研发中的应用前景。
独白：OpenAI前员工的深度反思
OpenAI前员工在博客分享工作体验，从文化、技术等多维度剖析公司。指出极速扩张面临挑战，文化独特，技术上用Python单体代码库、依赖Azure，还详述Codex项目诞生，认为AGI竞赛在OpenAI等三家展开。
Claude Code完整技术栈都被扒出来了，Multi-Agent架构~
analysis_claude_code项目对Claude Code v1.0.33逆向工程分析，含混淆代码技术分析等。发现实时Steering机制、多Agent架构等，为AI agent系统设计实现提供技术参考，还介绍系统架构创新点。
看遍奥斯卡后，VLM达到电影摄影理解新SOTA｜上海AI Lab开源
上海人工智能实验室等推出ShotBench、ShotVL及ShotQA，ShotBench含超3.5k问答对，ShotQA约7万个问答对。ShotVL在ShotBench评测中表现出色，3B参数的ShotVL-3B增益达19.0%，超越GPT - 4o等。
IEEE TPAMI 2025 | 北京大学提出LSTKC++，长短期知识解耦与巩固驱动的终身行人重识别
北京大学周嘉欢团队在IEEE TPAMI发布LSTKC++研究成果。该框架引入长短期知识解耦等机制，保障模型学习新知识和记忆历史知识。代码已开源，研究在性能和效率上优势明显，有广泛应用价值和拓展空间。
推理正确率下降65.5%！斯坦福、MIT等用「不等式」拷问AI逻辑极限
大语言模型在数学证明常现推理漏洞，斯坦福等高校团队提出IneqMath基准评估其严谨性。用不等式证明题切入，拆解为子任务，构建评测体系，用LLM - as - Judge审查。结果显示模型推理正确率低，存在结构性缺陷。
本周推荐的6个超级6的Github开源项目！
本文推荐6个Github开源项目，有能接入多平台的开源微信机器人CoW，基于VS Code魔改的AI代码编辑器Void，免费的ERP系统ERPNext，开源物联网平台ThingsBoard，共享虚拟浏览器Neko，微软轻量命令行编辑器Edit。
红杉中国推出 Agent 基准测试「xbench」，双轨评估体系，关注 AI 真实场景的效用
红杉中国开放AI和Agent基准测试工具「xbench」，采用双轨评估体系，构建多维度测评数据集。首期发布两个核心评估集并排名，提出垂类Agent评测方法论。该工具旨在解决现有评估问题，关注AI真实场景效用。
Cursor就是最强知识库应用，没有之一
作者认为最好用的知识库应用是Cursor，它有RAG能力，能处理代码和纯文本，可创建修改文档，具备搜索能力且会及时支持先进模型。作者还分享用Cursor配合文档工作的规则及使用示例。
绝对零监督Absolute Zero：类AlphaZero自博弈赋能大模型推理，全新零数据训练范式问世
清华大学 LeapLab 团队等提出全新推理训练范式 Absolute Zero，使大模型实现「自我进化式学习」。基于此范式训练的模型 AZR，在代码生成与数学推理基准任务表现出色，缓解了大模型对人工数据依赖难题。