「Coding 基准测试」共找到 2898 篇相关文章
卡帕西：编程从写文件变成管龙虾！IDE不会凉但得换个用法
AI Coding先锋卡帕西认为，虽AI能生成大部分代码，但IDE不会被淘汰，编程玩法变了，开发工具需进化，功能要从组织文件变为高效协同智能体，还给出了新一代IDE应具备的技能。
chardet 从 LGPL 变 MIT：一场 AI 重写引发的开源风波
Python 编码检测库 `chardet` 发布 `7.0.0` 后，许可证从 `LGPL` 变为 `MIT`，维护者称借助 Claude Code 重写。原作者反对，认为维护者无权重新授权。维护者给出辩护，社区反应激烈，争论涉及多个法律问题和不同立场。
代码Agent的苦涩教训！首次拆解上下文检索，直指自动化软件瓶颈
ContextBench首次从「过程」评测代码智能体，揭示当前模型多读少用、被关键词误导等深层问题。它基于真实问题修复任务，由专家标注「黄金上下文」，用多指标评估。研究显示，复杂架构未必效果好，模型重召回轻精确等。
刚封杀就反杀！Claude逆天1400亿暴击OpenAI，250万人抛弃ChatGPT
Anthropic一路狂飙，全美市场份额飙至70%，年化收入近200亿美金。Claude表现强大，Claude Code爆火，众多巨头排队付费。但Anthropic与五角大楼冲突，或失去Palantir合作。同时，250万人“退订”ChatGPT，OpenAI紧急修约。
字节豆包2.0重磅发布！成本暴降一个数量级，Seed团队揭秘视频Agent竞争关键
今日字节发布豆包大模型2.0系列，围绕大规模生产环境需求优化，有Pro、Lite、Mini和Code四款模型。其Token单价低一个数量级，多模态理解能力升级，未来将围绕长链路智能系统构建发展。
1美金时薪雇个全栈替身，MiniMax M2.5让打工人也能体验当老板的感觉
春节档模型大战，MiniMax官宣新模型M2.5，主打智能体和Vibe Coding，性能比肩Claude Opus 4.6。它全栈能力强，能处理长链路任务，推理吞吐量高、成本低，已接管MiniMax 30%真实业务。
大模型桌游试玩员来了：用五大画像模拟「千人千面」，评分精准度超越GPT-5.1
盛大东京研究院等团队提出MeepleLM，首个能模拟玩家视角给出建设性批评的虚拟试玩模型。它构建专属数据集，引入MDA理论，提炼五种玩家画像。实验显示其评分精准度超GPT - 5.1等通用模型。
ICLR 2026 oral | AI代码真能进生产环境？SwingArena：从「写对代码Commit」到「通过CI审查」
过去一年大模型写代码能力提升，人们思考其能否参与软件工程核心流程。现有评测基准有缺失，SwingArena填补空白，将博弈引入评测，设计检索增强流水线，其开源后或成评估AI编程能力新工具。
破解机器人「慢半拍」难题：南洋理工解决VLA致命短板，动态世界断层领先
南洋理工大学NTU S-Lab团队提出DynamicVLA，解决主流VLA模型在动态场景下反应迟缓等问题。它从多层面设计，构建自动化数据体系和DOM Benchmark，在实验中多维度领先。
登顶Hugging Face论文热榜，LLM重写数据准备的游戏规则
企业数据团队面临数据准备难题，传统方法依赖人工规则，有诸多局限。上海交通大学等机构研究团队综述指出，LLM正推动数据准备从“规则驱动”向“语义驱动”转变，还给出技术选型、评估基准及工程指南。