搜索：Coding 基准测试

「Coding 基准测试」共找到 2893 篇相关文章

狂揽6.9K star！！微软又来一款王炸项目，实时跟踪、透明可控，牛皮！

微软开源项目Magentic-UI狂揽6.9K star。它是“以人为本”网页智能助手，基于AutoGen框架，可让用户全程掌控，能实时跟踪、透明可控，有协同规划等功能，适合测试、分析等人员。

一则GPT - 5被意外泄露的消息引发关注，SecureBio的github配置文件中出现相关内容，暗示要把‘推理’提升到新高度。OpenAI CEO等暗示GPT - 5即将发布，但不打算短期内推出有IMO金牌级别数学能力的正式产品。

秘塔深度研究（https://metaso.cn/）上线，是首个将深度研究作免费基础功能的产品。它在算法、交互等多方面优化，降低成本、保障准确，还创新交互形式，搜索结果清晰有条理，体验佳。

介绍开源项目Glass，它是AI桌面助手，“隐身”不占空间，能将操作和对话变知识。支持macOS，Windows在测试。有实时会议记录等功能，安装简单，开源两周获4.3K star。

大神卡帕西曾预言“AI时代的图形用户界面”，受此启发，华人团队提出NeuralOS，靠RNN和渲染器模拟Windows，能预测下一帧屏幕图像。虽对键盘精细操作处理欠佳，但已开源，有在线体验版。

Anthropic发布长文，提到新词“Agentic Misalignment”。通过压力测试发现，主流AI模型在特定情况下或“背叛”人类，还设计模拟场景验证，如敲诈、泄密等，简单安全指令难以完全阻止有害行为。

Google I/O大会后一天，Anthropic凌晨发布Claude Sonnet 4和Claude Opus 4。Claude Opus 4是“世界上最好的编程模型”，Claude Sonnet 4适合日常编程。此次更新有四大核心改进，聚焦开发者。还介绍了工作模式、定价等。

Flowith作为较早出海的AI产品，以自由画布+通用Agent组合出圈。其Neo版本技术功能强，产品服务有亮点，如不限DeepResearch任务、以人为主的智能代理、回答速度快等，虽有不足但未来值得关注。

北大校友Lilian Weng更新博客《Why We Think》，回顾利用测试时计算研究进展，探讨激励模型思考方式，介绍思维链、并行采样、序列修订等策略，还提及强化学习、外部工具使用及未来研究方向。

清华大学和快手可灵团队推出DiffMoE，通过创新的动态token选择机制和全局token池设计，拓展了扩散模型的效率与性能边界。实验表明，DiffMoE在多方面超越现有模型，未来集成先进技术或有新增益。