搜索：代码评估数据集

「代码评估数据集」共找到 4416 篇相关文章

又一家清华系具身智能企业浮出水面：天使轮融资数千万元，打造具身数据Infra丨甲子光年

清华系具身智能企业灵御智能完成数千万元天使轮融资，累计融资近亿元。其聚焦打造具身数据Infra，研发TeleAvatar和TeleDroid构建数据采集母机，锁定三类应用场景，还从两方面压缩成本。

研究团队发布全球首个医疗代码生成大模型训练平台MedAgentGym，提供评估基准和训练生态，提升大模型医疗代码生成与推理能力。经其训练的Med - Copilot - 7B达GPT - 4o相当水平，解决医疗AI编程瓶颈。

GUI 智能体发展遇瓶颈，现有数据集难评估其长时程规划能力。2077AI 开源基金会牵头构建的 VeriGUI 应运而生，有长链复杂性与子任务级可验证性特征，论文登 Hugging Face 月榜第三，还证明现有模型瓶颈。

Meta推出Muse Code编码框架及Muse Spark 1.2模型，有不同输入输出、功能和性能表现。提供不同档位价格，贡献者档位低价但数据用于训练。测试显示其单任务成本低，Meta此举或为获取编码训练数据。

字节跳动Seed团队与南京大学联合发布CriticLean框架，将数学自然语言到Lean 4代码的形式化准确率从38%提升至84%。该框架创新性地将评估模型置于核心，解决语义对齐等问题，还构建了相关基准测试和数据集。

本文展望数据科学未来，强调其对AI重要性。探讨科学数据系统挑战，提出收集处理原则，指出要重视数据系统逻辑与架构研究，建立标准协议框架，促进AI健康发展。

近年来语音对话模型受关注，但处理人类对话复杂现象的效能缺乏研究。北大联合腾讯光子构建中英双语C3 Benchmark数据集，评估模型应对复杂对话的能力，结果揭示性能瓶颈，为模型优化提供参考，代码和数据已开源。

Serena是“编码代理工具箱”，能让LLM像IDE一样理解和改代码，有符号级检索等亮点。适合大型代码库任务，10分钟可上手，有多种接入方式，还有提示词模板，能让AI操作更专业。

在 12 月 13 日 GAIR 大会“数据&一脑多形”分论坛上，探讨了数据价值重构与“一脑多形”架构革命。多位嘉宾围绕具身智能数据、“一脑多形”技术展开分享与讨论，为人工智能发展提供新思路。

Anthropic的Claude Code新增代码评审功能，挑战500亿美元的传统代码审计行业。新工具成本低，能自动化评审，减少误报，准确率超多数人类评审员，或引发行业大洗牌。