搜索：代码测试基准

「代码测试基准」共找到 3587 篇相关文章

视频模型假装在推理？MME-CoF新基准评估12个推理维度

视频生成模型如Veo - 3能生成逼真视频，但推理能力存疑。香港中文大学等校研究者设计12项测试，发现模型只能模仿表面模式，未真正理解因果。研究推出MME - CoF基准，为评估指明方向。

前脚DeepSeek更新到V3.2，智谱又推出GLM-4.6，代码能力达国内最强。测试显示其在多方面表现出色，还降低平均token消耗。寒武纪、摩尔线程跟进适配，价格也降低。

阿里巴巴开源超强AI Agent模型Qwen3 - Coder - 480B - A35B - Instruct，测试分数媲美Claude Sonnet 4，超越DeepSeek。它参数多、支持大上下文窗口，训练数据优质，还进行代码强化学习扩展训练等，有对应命令行工具。

现有AI记忆评测只记'事'不记'人'，存在数据源窄、不重理解、注入成本高的问题。QuantaAlpha联合高校团队提出CloneMem基准测试，用'数字痕迹'评估AI Clone长期记忆能力，实验有反直觉结论并给出设计启示。

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。

Claude Code团队宣布新增Channels功能，可通过MCP控制会话，首批支持Telegram和Discord。用户能手机远程控制AI写代码，目前已灰度测试。不过其功能依赖会话存活，后续或接入更多平台。

最近用Gemini 3.0或GPT 5.2做3D粒子交互爆火，能生成可手势操作的爱心、圣诞树等。以往需数天写代码，现在和AI对话几轮就行。文中给出基础提示词，还展示多个案例及HTML代码获取方式。

谷歌为Nano Banana新模型发布官方保姆级开发教程。介绍了使用Google AI Studio免费测试方法，阐述环境准备，如获取API key、设置结算账户、安装Gen AI SDK，还展示代码实战，以及和模型沟通的技巧。

OpenAI推出由GPT - 5驱动的自主安全研究智能体Aardvark，用于软件安全保障。它能持续分析代码仓库，识别并修复漏洞，目前在内部及合作伙伴代码库效果良好，正处私有测试阶段。

文章介绍了用于评估AI Web渗透测试能力的XBow Benchmark，它已在github开源。该基准含104个Web安全挑战，涵盖多种漏洞，设计确保可重复性和状态持久性，其评估能力获广泛认可，还介绍了开源内容等。