「代码修复评测」共找到 2319 篇相关文章
GPT-4V仅达Level-2？全球首个多模态通才段位排行榜发布，General-Level打造多模态通用AI评测新范式
General-Level团队提出全新评测框架General-Level和数据集General-Bench，构建超大规模评测基准和多模态通才模型排行榜。其用五级段位体系衡量模型通才能力，General-Bench覆盖多模态任务，排行榜分多层次榜单，目前各模型段位差异大，Level-5空缺。
AI 已能写 80% 代码，但 Agent 也有致命短板！OpenAI Codex 技术总监：问错了，比不会写更麻烦
OpenAI Codex 技术负责人 Michael Bolin 在访谈中回顾职业轨迹，分享从工程师到工具创造者的成长经历。他认为 AI 编程时代 80%-90% 代码可由模型生成，但关键部分需人类把控，提出正确问题能力更重要，编程智能体执行将更多迁移到云端。
Claude一夜爆更自修bug，PR自己绿了！全球程序员：「摸鱼」正式合法
Claude Code上线「云端自动修复」功能，可自动跟进PR，排查问题、写代码并推送，解放开发者双手。同时，科研团队用其打造Claudini，迭代56次发现新型越狱算法，Claude Code还能自进化写代码。
终于有了一个用龙虾而不是 Claude Code 的理由
作者作为有十年多代码经验的人，原本习惯用Claude Code等白盒工具。但在文档处理、多人协作等场景中，飞书OpenClaw优势明显，可一键部署多智能体，与飞书生态打通，还能自动修复异常。
我花12小时深度实测，阿里Qwen-3 Coder被Kimi K2“吊打”！
作者花12小时在真实项目中实测阿里Qwen - 3 Coder和Kimi K2。结果显示，Kimi K2在任务成功率、指令遵循、Bug修复、代码重构等方面全面领先，成本还更低，作者更推荐Kimi K2用于代码开发。
GLM-5.1夺开源模型第一，长程任务更稳，一句话就能生成文章短视频
智谱官宣GLM-5.1开源，代码能力增强，在三项代码评测基准综合平均分上，取得全球模型第三、国产及开源模型第一。它专为长程任务设计，能8小时持续工作，还能一句话生成短视频，是平替Claude Sonnet 4.6的优选项。
Auto-Research「终极大考」：新基准撕下大模型科研伪装
来自多所高校的研究者提出MLS - Bench，用于解决现有Auto - Research评测的归因问题。它含140个真实研究任务，校准受控修改范围，主实验显示当前模型在方法发现上有明显缺口，Auto - Research需更严格评测标准。
CVPR2025 | 多模态LLM评测Tutorial
多模态大语言模型（MLLMs）研究热门，有效评估成关注焦点。CVPR2025将举办多模态LLM评测Tutorial，梳理评估基准，探讨评估方法，聚焦‘幻觉现象’，团队经验丰富，覆盖多板块内容。
Grok Bot代码也泄露了？
8月23日X上有人称Cursor团队发布的Grok Bot 0.18.0，runtime source map是开着的，此人重构其客户端代码并放于GitHub，一天浏览量约88万。该重构项目有诸多实用实验和功能。
最新12种GraphRAG技术全面评测
6月两篇论文对12种GraphRAG技术评测。GraphRAG通过构建图结构组织知识，在复杂推理等任务中优于传统RAG。不同GraphRAG技术在图构建、知识检索上表现各异，如RAPTOR图构建慢但令牌消耗少。