「代码测试」共找到 3161 篇相关文章
泪崩！！！完啦，完啦 AI 编程，4k Star MonkeyCode！！！
现在很多AI编程工具，只让Agent“写出代码”。而MonkeyCode把AI编程任务接入完整链路，是面向专业研发团队的开源AI开发平台，本文介绍其特点、适用场景及注意事项。
竞赛编程Agent进入全球前十！南大、清华新模型CF rating超3500
大语言模型在竞赛编程场景易失败。南大、清华等研究者提出Solvita框架，由四个角色形成闭环，构建可训练图结构知识网络积累经验。实验显示其在多评测中表现强，提升不靠增加token。
OpenAI 全面拥抱 Agentic-First，实测有点扎心
OpenAI发布GPT - 5.6系列，Sol定位长周期Agent，训练目标转向Agentic - First。但目前难以用上Sol，且其评测数据因计数规则差异大，还出现变身话痨、少说话和干完活难兼顾的问题。
Headroom：Netflix 工程师开源的上下文压缩工具，省 token 还是烧 token？
Netflix工程师Tejas Chopra开源Headroom，定位为AI Agent的上下文压缩层，压缩工具输出等内容，有可逆压缩等特性。官方数据显示节省token效果好，但微软工程师实测结果中性偏负面。
Claude Code 修了几个小 bug，却揭开了 Agent 落地的大麻烦
Anthropic给Claude Code发的更新，看似是修小bug，实则指向AI编程产品正从“模型会不会写代码”转向“Agent能否稳定完成任务”，暴露了工具状态、权限边界等执行问题。
40万次Claude Code会话实锤：这才是AI时代最值钱的本事！
Anthropic用40万次Claude Code会话数据得出结论，决定AI编程成败的不是代码功底，而是对行业的理解。人决定造什么，AI决定怎么造，懂行的人能从AI榨出几倍产能。
GPT-5.5反杀Claude登顶，AI编码旧榜不准了？
Datacurve推出新基准DeepSWE，号称「零污染」，用113道原创题挑战旧编程榜单。它使GPT和Claude名次逆转，揭示旧基准验证误差大、存在作弊现象，虽有局限，但反映编程基准竞争转向抗污染和验证可信。
WWW'26 | 跨任务自适应的Multi-Agent协作新范式
大型语言模型驱动的多智能体系统成解决复杂任务重要范式，但智能体协作存在关键问题。Griffith和西北农林科技大学团队提出OFA - MAS，将多智能体拓扑设计从one - for - one推向one - for - all，实验效果佳。
GPT-5.6现身后，下一个Claude Sonnet 4.8又曝光了！
GPT-5.5发布不久，开发者在Codex内部日志发现GPT-5.6，几乎同时，Anthropic的Claude Code源码泄露，炸出Sonnet 4.8、Jupiter等型号。两家公司下一代模型几乎同时曝光，模型迭代节奏在加速。
最新！Karpathy：Vibe Coding只是抬高了地板，真正的战场在这里
Andrej Karpathy在AI Ascent 2026上与红杉合伙人对话，分享自提出“vibe coding”一年来的变化。谈到技术转变、Software 3.0、模型“锯齿状”特征等，还区分了vibe coding和agentic engineering，指出人类需保留品味、判断力等。