「代码能力评测」共找到 4810 篇相关文章
告别Reasoning模型的“灵光一现”，推理能力可控了
当前GPT - 4o、DeepSeek - R1等大模型推理的‘高级操作’随机触发，不可控。研究者受经典推理三要素启发，教会模型三种‘元能力’，经三阶段训练，模型效果提升，让推理能力可控。
EvaLearn：AI下半场的全新评测范式！
OpenAI研究员指出传统基准测试难衡量AI实际效用。复旦大学与字节跳动等团队提出全新评测范式EvaLearn，以连续问题求解为核心，构建问题并设评分标准，对九个前沿大模型研究有诸多发现。
我们对 Coding Agent 的评测，可能搞错了方向
用户对 Agent 不满常因它「做得不好」，不遵循指令和规范。当前主流评测体系以结果为导向，与真实场景错位。MiniMax 开源 OctoCodingBench 评测集，结果显示模型过程规范遵循不足，未来训练需引入过程监督。
AI代码审核平台Greptile正洽谈3000万美元融资
TechCrunch消息，AI代码审查初创公司Greptile正洽谈3000万美元A轮融资，估值1.8亿美元。其由Dasksh Gupta创立，已获400万美元种子轮融资。代码审查领域竞争激烈，Greptile员工工作时长很长。
智谱GLM-5强调的Agentic Engineering能力是什么？｜甲子光年
智谱上线并开源GLM - 5，在Coding与Agent能力上达开源SOTA，刺激股价上涨。它验证了Agentic Engineering可行性，提升能力阈值，但成本阈值也更显性，未来软件工程或分层发展。
ACL 2025 | 大语言模型正在偷改你的代码？
本文聚焦大语言模型在代码推荐中的「供应商偏见」，通过分析7个主流大模型在30个场景的59万次响应，发现模型会偏好特定供应商，甚至擅自修改代码，还探讨了风险、局限并给出展望。
Anthropic内部揭秘20万代码交互记录背后的职业变迁
Anthropic官方发布内部实录，通过对132名工程师调查及20万条交互日志分析，揭示软件工程正从编写代码向管理代码演变。工程师AI使用率提升，工作方式、角色、信任机制等都发生了变化，也带来新挑战。
装上这个Skill后，Claude Code联网能力直接拉满
Web Access 是给 Claude Code 用的 Skill，装上后 Agent 联网能力大幅提升。它解决了 Claude Code 原有联网工具的问题，有联网工具自动选择、CDP 浏览器操作等能力，还介绍了安装方式和设计哲学。
突然，被GLM-4.7的Coding交付能力惊到了
国内大模型圈因智谱启动A股上市而兴奋时，GLM系列再展“卷王”姿态，本月开源旗舰GLM - 4.7。它从代码大模型变为任务交付引擎，实测在多场景表现出色，能理解复杂意图、交付高质量代码。
清华&Qwen最新论文实证： VLM 智商与机器人操控能力“零相关”
清华和 Qwen 最新论文《VLM4VLA: Revisiting Vision - Language Models in Vision - Language - Action Models》测试 24 个 VLM 模型，构建极简 VLM4VLA 测试，发现 VLM 通用能力与机器人操控能力‘零相关’，还揭示视觉编码器短板。