「代码能力评测」共找到 4860 篇相关文章
世界最强医疗模型百川M3发布：AI医疗，奇点已至
百川智能发布并开源全球最强医疗模型Baichuan - M3，各项指标SOTA且超越人类医生平均水平。它告别机械‘背医书’，学会主动追问、排查病因，解决AI‘胡说八道’问题，准确度超GPT - 5.2 - High。
17万白领岗消失！Scale AI最新研究：AI仅动用了3%实力
新智元报道，近期多家巨头裁员17万，AI成“罪魁祸首”。但Scale AI和Center for AI Safety研究指出，全球六大顶尖AI自动化率不到3%，新基准RLI评估显示其执行有经济价值项目能力有限。
AI版盗梦空间？Claude竟能察觉到自己被注入概念了
Anthropic最新研究发现LLM有内省迹象，Claude能察觉概念注入。研究用概念注入测试，虽模型内省能力有限且不可靠，但能力强的Claude Opus 4和4.1表现好，未来内省或更复杂。
避免Claude Code 降智的一小招
Claude Code近期表现变差，简单代码逻辑会搞混，调试建议也不对。作者分享小妙招，切回Opus 4.0能让其恢复智商，还介绍三种切换模型方式，并分析了其降智原因。
百度搜索变天了：怎么搜索你们定
百度 App 搜索框大改版，升级为智能框，支持多模态输入，降低使用门槛。还推出多项功能，如百看、智能创作、深度搜索等，接入 MCP 服务，推动产品能力多方面转变，探索新盈利模式。
1899个MCP服务安全研究：7.2%存在漏洞，5.5%暗藏「工具投毒」
研究人员对1899个开源MCP服务器扫描，发现7.2%项目有漏洞、5.5%遭工具投毒。MCP虽成事实标准且发展好，但代码质量堪忧，传统安全工具难检测其风险，为生态敲响警钟。
大模型“拼好题”，45K数据撬动18%提升，数学问题拒绝死记硬背 | MathFusion
上海AI Lab等团队提出MathFusion，通过三种“融合策略”生成新的融合数据集MathFusionQA，仅用45K合成指令，在多基准测试中平均准确率提升18.0个百分点，增强模型解决数学问题的能力。
全球首个历史基准！普林复旦打造AI历史助手，AI破圈人文学科
普林斯顿大学AI实验室与复旦大学历史学系联手推出全球首个历史领域评测基准HistBench及AI助手HistAgent。HistBench含414道题，能检验AI深度认知能力；HistAgent集成多种工具，在测试中表现优异。
完全开源的7B模型，性能比肩主流LLM，训练成本仅16万美元，复现DeepSeek的强化学习！
Moxin-7B由多机构团队联合开发，遵循“开源科学”原则，公开全流程细节。它训练成本仅16万美元，评测表现亮眼，在架构、数据策略、训练过程等方面有创新，为中小企业提供可控AI方案。
Claude 吞噬整个AI编程栈？“Vibe Coding 公司的最大错觉是以为自己有护城河”
近日网友爆料Anthropic开发类似Lovable功能，可构建全栈应用。此前Claude Code源码泄露，展示其构建软件开发全流程“执行层”能力。AI编程进入“大收割时代”，模型厂商吞噬工具趋势显现，Lovable等平台护城河受挑战。