「编程竞赛基准」共找到 2037 篇相关文章
世界首个！李飞飞团队推出物理推理基准，大模型统统不及格？
斯坦福联合中科大团队推出世界首个评估视觉语言模型物理推理能力的基准QuantiPhy，通过测试发现顶尖模型在数值计算上不如人类，还揭示模型推理靠记忆而非测量，为AI发展指明方向。
真实音频场景，大模型集体挂科！首个原生语音基准MultiChallenge
Scale AI发布首个原生音频多轮对话基准Audio MultiChallenge，撕开大模型靠合成语音评测维持的假象。实验显示，Gemini 3 Pro等模型在真实场景表现不佳，还揭示了模型在语音交互中的三大失败模式。
GPT-5几个预测：用户翻倍，编程登顶，屠杀一众模型
OpenAI发布GPT-5，登顶大模型测评榜单。它有统一智能架构，在多测试取得突破，编程能力强击败对手。还改进意图，减少幻觉、增加情感、在健康领域更实用，价格便宜。作者预测其将带来用户翻倍等影响。
AI Coding新王登场！MiniMax M2.1拿下多语言编程SOTA
MiniMax发布旗舰级Coding & Agent模型M2.1，在Multi - SWE - bench榜单中以10B激活参数拿下49.4%成绩，超越竞品成SOTA。它解决模型‘偏科’问题，适配开发工具链，实测在多语言编程任务中表现出色。
让RAG真正读懂“言外之意”！新框架引入词汇多样性，刷新多项基准SOTA
ACL 2025研究提出Lexical Diversity - aware RAG (DRAG) 框架，将词汇多样性引入RAG检索与生成，解决现有方法痛点。它有两大创新模块，实验在多基准提升准确率，还将在多模型上增益，代码即将开源。
拜拜Claude！阿里最强万亿模型编程秒了Opus4，实测在此
阿里推出总参数达1万亿的Qwen3 - Max - Preview （Instruct），比前一代Qwen3（235B）强四倍，发布即上线。官方测评显示它打败Claude Opus 4等对手，实测其编程能力出色，后续正式版值得期待。
一手奶瓶一手键盘！新手宝妈产假氛围编程，自研实用家庭App
新加坡宝妈Laura Zaccaria产假自研家庭餐食规划App。她无编程背景，靠Cursor等工具学习。AI迭代快，她意识到要跟上，产假成自我进化契机，提醒大家学习才能不被时代抛下。
挑战 Claude Code，9.5 万星！又一款开源 AI 编程神器火了
开源AI编程工具OpenCode亮相，具备原生终端界面、多会话支持，兼容75种以上模型，提供桌面版和IDE插件。它允许沿用付费订阅，内置免费模型，与多种LSP服务器整合，适配多种编辑器，采用‘隐私优先’架构设计。
5.1K Star！Codebuff 把整个 AI 编程团队装进你的终端！
Codebuff是开源AI编程助手，获超5.1k stars。其多智能体架构让不同智能体分工协作，理解代码上下文更好、编辑更准。官方测试中完成率61%，超Claude Code。它免费且上手简单，还能创建自定义智能体。
别再幻想 Vibe Coding 打天下，AI 编程最实用的功能是这个
OpenAI 创始成员 Andrej 起初提出 Vibe Coding，后改变观点，称应让不同工具在不同场景各司其职，且其常用 AI 编程功能是代码补全。字节跳动 IDE Trae 里的 Cue 功能在代码补全领域下足功夫，体验出色。