「代码生成基准」共找到 4210 篇相关文章
GAIR Paper 105｜离线强化学习新突破——ROMI：破解对抗式模型学习「过保守、训不稳」深层困局｜ICLR 2026
本文聚焦基于模型的离线强化学习，指出RAMBO算法存在保守性难控和训练不稳问题。为此提出ROMI方法，引入鲁棒价值感知框架与隐式可微自适应加权机制，在多基准任务上超越基线算法。
刚刚，小云雀的短剧Agent上线了，背后是字节自己的Seedance 2.0。
字节的小云雀短剧Agent上线，以Seedance 2.0为底层模型。它能根据剧本或设定自动生成高质量短剧，提升了AI短剧创作效率，且不挑风格。文中还介绍了使用流程及剧本创作方法。
字节跳动发布Seed 2.0系列模型，数学能力超越GPT-5.2 High
字节跳动Seed团队发布Seed 2.0系列模型，含Pro、Lite和Mini版。该系列在数学、代码、多模态理解等方面表现出色，价格优势明显，但在编程、事实准确性上与部分竞品有差距，已开放API。
深度解析世界模型：新范式的路线之争，实时交互与物理仿真
文章认为2026年多模态技术将有大发展，世界模型轮廓渐清。文中对比语言、视频生成模型，指出世界模型优势，分析实时视频与3D结构化两条路线，介绍不同公司产品并以四象限框架分类。
深度体验超牛超多功能的开源AI菜谱工具，AI让每个人都可以是米其林大厨。
文章推荐了开源AI菜谱工具“一饭封神”，它能根据食材、口味、人数等生成菜谱，还有营养分析、饮品搭配等功能，有多种趣味板块，可玩性和实用性强，比部分小红书菜谱靠谱。
AI胡说八道这事，终于有人管了？
AI大模型幻觉问题棘手，GPT - 5幻觉率降低。苏黎世联邦理工学院和MATS研究提出低成本、可扩展检测法，精准识别实体级幻觉，分类器超现有基准，还能识别逻辑错误，团队已公开数据集。
Claude Opus 4.1 上线，SWE-bench 验证率 74.5%，重构可靠性与安全性全面升级
Anthropic推出Claude Opus 4.1，是Opus 4重要升级版。SWE - bench验证率从72.5%提至74.5%，多文件代码重构可靠性及长链交互推理能力增强，无害响应率提升，合作率下降，定价不变。
GPT-5真的拉胯吗？机器之心一手实测，网友：还我4o、还我4.5
OpenAI发布GPT - 5后评价褒贬不一。有人认为它进步大，也有人差评，如制作游戏、重构代码失败。机器之心实测发现其表现不稳定，写作、推理、编码能力有好有坏，复杂任务表现欠佳。
GPT-5「全家桶」爆出本周上线！惊艳首测秒出网页，编程彻底起飞
传闻GPT - 5发布时间提前，本月底面世，它有4个版本。网友在LMArena实测，GPT - 5 - pro能一键生成网站，GPT - 5 - high表现出色。美国部分公司已拿到预览版，其新功能或改写编程局面。
Veo 3全网实测惊艳所有人！DeepMind CTO：规模是AGI全部吗？
谷歌推出视频生成模型Veo 3，一句提示词就能打造电影质感短片，还能音画同步，引发网友惊叹。DeepMind CTO在访谈中表示，规模非AGI唯一要素，还提及Deep Think模式及Veo 3进展等。