「代码评估数据集」共找到 4449 篇相关文章
AnyGen款新AI工具，专门解决打工人最头疼的3件事，Doc，PPT，Excel
字节跳动2025年12月在海外推出一站式AI协作工作台AnyGen，强调人机协作打磨。产品有文档、通用智能体、幻灯片、数据分析四个核心模块，能解决会议纪要整理、PPT制作等痛点，还与主流工具做了横评。
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。
清华孙茂松团队 × 深言科技：以解释作为训练信号，让 8B 模型在幻觉检测上反超闭源大模型
大语言模型幻觉问题待解，成本与算力需求攀升。清华孙茂松团队联合深言科技提出FaithLens模型，把幻觉检测提升为整体评估，以解释作为训练信号，8B模型在多任务上超闭源大模型。
我为马斯克扮演机器人！擎天柱背后竟是最贵「演员团」
外媒揭秘特斯拉擎天柱靠人工数据训练。在实验室，员工重复日常动作，由摄像机记录。工作体力消耗大，要求严格，团队曾超百人，还裁掉部分人员。虽马斯克看好，但实际仍在靠人力蹒跚学步。
Agentic Enterprise：生成式软件重新定义企业形态｜AGIX PM Notes
文章指出软件正从静态代码集合变为“Living Software”，企业是其理想训练环境。还提及市场资金流向、多起企业投资合作事件，如英伟达投资英特尔、OpenAI租服务器等，最后介绍了ETF流动性相关知识。
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。
LLM-based Reranker效果到底如何？一项关于SoTA模型的全面分析
在信息爆炸时代，重排序是信息检索系统核心。论文对22种重排序方法实证研究，构建无污染数据集FutureQueryEval。结果显示LLM重排序器泛化能力被高估，轻量级模型有优势，为研究和应用提供指南。
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。
只训练数学，却在物理化学生物战胜o1！新强化学习算法带来显著性能提升，还缓解训练崩溃问题
上海创智学院、上海AI Lab的MM - Eureka系列工作提出新强化学习算法CPGD，缓解训练崩溃问题，提升性能。还构建多模态强化学习框架，推出MMK12数据集和MM - PRM模型，开源相关成果。