「编码基准」共找到 1235 篇相关文章
第九章 编码 Agent 实战——用 Deep Agents 构建代码审查助手
文章围绕用 `deepagents` 框架构建代码审查 Agent 展开。介绍 `deepagents` 核心能力、安装配置，给出最小可运行示例。还阐述自定义工具及使用方法，添加审查 Skill 明确审查标准和流程。
The Batch: 929 | Qwen3.5 超越更大模型，领跑视觉基准测试
阿里巴巴发布 Qwen3.5 系列，含 8 个开源权重的视觉 - 语言模型。其小模型表现超大体量 OpenAI 开源权重模型，在视觉任务中整体出色，部分在语言任务也有竞争力。虽团队有人员离职，但阿里承诺加大 AI 投入。
AI编程真面目：完整项目通过率仅27% | 上交大新基准
多校联合团队发布ProjDevBench，评估AI编程智能体端到端项目开发能力。结果显示，六种主流智能体总体提交AC率仅27.38%，从零构建任务中性能大幅下滑，还揭示了智能体多方面短板。
Claude Code 桌面版烂爆了，Anthropic 终于把 “100% AI 编码”演砸了
Anthropic将Claude Code做成桌面应用，本值得期待，然而新桌面版却问题频出，如卡顿、崩溃、自动化功能不稳定等，还出现大量基础功能问题。此前Anthropic宣称代码由AI编写比例高，但产品质量堪忧。
多模态幻觉的病因「高熵节点」找到了！全基准幻觉率下降
多模态大推理模型的幻觉常出现在生成转折词时，此时模型处于高熵关键节点，易脱离图像证据。研究者提出LEAD，高熵时保留候选推理方向，注入视觉锚点拉回证据，实验显示它能跨领域提升模型性能。
好看不等于会交互！阿里发布基于交互的世界模型基准
阿里等联合推出 Omni - WorldBench 评估框架，指出多数高颜值 AI 视频在物理规律和交互逻辑上有缺陷。该框架含提示词套件和量化评估框架，对 18 款模型测评，为 4D 世界模型研发指明方向。
GPT-6 Astra发布，多个基准测试接近满分，“欢迎来到AGI时代”？
当地时间9月3日，OpenAI发布GPT-6 Astra，称其为“最智能、最对齐”的模型。它在多测试表现逆天，能力提升显著，还加入新特性。不过价格更高，也带来安全问题。
DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案
DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。
Claude Code 起源：一个人的副业换歌脚本，变成最强 AI 编码工具
很多人以为Claude Code是Anthropic规划已久的大项目，实则最初是个人副项目。工程师Boris Cherny为熟悉API做了听歌脚本，后经改进让Claude能读文件、探索代码库，其在公司内部疯传，最终发布并发展成完整产品。
首个GUI多模态大模型智能体可信评测框架+基准：MLA-Trust
MLA-Trust 是首个针对 GUI 环境下多模态大模型智能体的可信度评测框架，构建了涵盖四核心维度的评估体系，对 13 个模型深度评估，揭示可信度风险，还提供评估工具箱，推动其可靠部署。