「Coding 基准测试」共找到 2898 篇相关文章
都说记忆是Agent标配，但MemSyco发现漏算了一件事
厦门大学与吉林大学的最新研究指出，随着大模型Agent具备长期记忆，虽成为“长期协作者”，但也出现Memory-Induced Sycophancy问题。为此提出MemSyco - Bench评测基准，经实验得出多项发现，指出Agent Memory关键瓶颈转变。
AutoResearch-LLM：让 Agent 接手 LLM 训练优化
本文是 LLM 微调 AutoResearch 落地实战。作者将电商场景 Qwen3 微调流水线沉淀成 Agent 驱动的三阶段框架，还分享踩坑经验。思路方法与平台无关，可类比到外部环境，适合关注 AI Coding 等的同学。
一句话生图要过时了？开源图像生成Agent进化出「工具编排」
来自多机构的研究团队提出GenEvolve，将开放图像生成建模为「工具编排轨迹」。它配置三类工具，经多轮决策完成生成。通过构建数据集训练，实验显示在多基准上表现出色，已开源模型、代码等。
人大和微软开源Arbor，一棵假设树突破自主科研新高度
中国人民大学和微软研究者推出Arbor，它将实验挂到假设树，让研究信息跨周期保留。在六道真实研究任务中表现优异，增益超Codex和Claude Code，且成本相当，还能从失败中积累经验。
Claude写80%代码，Anthropic工程师却越来越孤独
Anthropic工程负责人Fiona Fung带领团队用Claude Code使人均代码量翻8倍，但工程师交流减少，孤独感渐生。此外，还存在上下文切换、心流体验变淡、工作意义减弱等问题，工程师职业边界也在变模糊。
今天，Claude入职了！
Anthropic官宣Claude Tag，这是团队协作用Claude的全新方式，像“AI同事”般出现在Slack会话栏，响应主动，完成65%代码编写。它是Claude Code升级版，与前两代AI交互方式不同，Anthropic已离不开它。
大模型也需要睡觉！让AI打个盹，醒来更聪明
卡内基梅隆大学和马里兰大学研究发现，大模型处理长上下文易累傻。受人脑机制启发，设计睡眠机制，让模型在上下文窗口快满时打盹，反复咀嚼信息，压缩进长期权重。测试显示，增加“睡眠”轮次能提升深度推理表现。
Qwen3-VL-Seg 深度解读：当多模态大模型学会"像素级精准手术"，仅用0.4%参数碾压8B模型
文章深度解读阿里通义实验室发布的Qwen3-VL-Seg，它解决开放世界指代分割问题，用仅17M参数（占基础模型0.4%）在4B规模超越8B模型。介绍其原理、架构、数据、实验结果，还给出实战代码。
谷歌搜不到的80%互联网，AnySearch全打通了！开发者连夜接入
2026年5月11日海外上线的AnySearch，定位AI时代「搜索基础设施」，专为AI Agent打造统一高质量搜索入口。上线一周在海外开发者圈爆火，经测试性能优于同类产品。通过不同场景实战，展现聚合广度、专业深度等四层能力。
AI学会梦里干活！Claude发布3大进化，Dario：单人公司10亿美金爆发
在 Code with Claude 大会上，Anthropic 为 Claude Managed Agents 上线三项功能。‘做梦’解决记忆退化，成果评估自动检查工作，多 Agent 协作让复杂任务分工处理。Dario 称 AI 时代单人公司或达 10 亿美金营收。