「编程Agent评测」共找到 3990 篇相关文章
MetaAI解锁Transformer潜意识，仅额外3%计算开销，性能提升最高55%
Meta FAIR研究员François Fleuret提出《The Free Transformer》，对解码器Transformer扩展。它通过引入随机变量，让模型先计划后执行，用约3%计算开销，在编程等任务上性能提升最高达55%。
RL 将如何提高具身大模型 VLA 泛化性？清华大学团队NeurIPS 2025文章分析 RL 与 SFT 泛化性差异
清华大学团队在NeurIPS 2025发表文章，揭示强化学习（RL）提升具身大模型VLA泛化能力的优势，对比其与SFT差异，还提出评测基准和训练方法，为VLA训练提供新方向。
AI Coding 的下半场，何去何从？
文章回顾AI Coding三年演进，指出2023年范式落地、2024年Coding Agent上位、2025年形态之争加速且CLI成主战场。分析项目“火爆”逻辑，提及市场数据背书，还探讨应用与模型关系及技术堆栈。
GPT-5：我更强了，就这？“看不见”的升级
OpenAI 发布 GPT - 5，它未带来 AGI 相关的震撼升级，而是更注重实用。其训练有新特点，具备推理强、编程能力提升等特性，是 AI 从‘模型炫技’到‘产品体验打磨’转变的标志。
1w颗星！多平台 LL M 聊天机器人及开发框架AstrBot！
AstrBot是聊天机器人及开发框架，松耦合、异步，支持多消息平台部署。它功能丰富，支持多种大语言模型，有Agent能力、插件扩展等，还介绍了多种部署方式、平台及提供商支持情况。
彻底戳穿AI「失忆症」！超越OpenAI全局记忆，中国队开源LLM记忆操作系统
大语言模型有「记忆」缺失问题，国内顶尖团队打造出操作系统级AI记忆框架MemOS并开源且可商用。它将「记忆」升为「一级资源」，用MemCube封装记忆，评测显示性能优于OpenAI全局记忆方案。
别再手搓测试数据了！AE测试数据智造系统揭秘
本文介绍基于大语言模型的AE测试数据智造Agent，解决AliExpress跨境电商测试数据构造难题。它结合大模型与原子工具库，实现自然语言驱动的全链路测试数据生成，提升测试效率与智能化水平。
斯坦福临床医疗AI横评，DeepSeek把谷歌OpenAI都秒了
斯坦福最新大模型医疗任务评测，构建含35个基准测试的MedHELM综合评估框架。结果显示，DeepSeek R1以66%胜率领先，o3 - mini等模型也各有表现，还分析了成本效益。
DeepSeek新版R1直追OpenAI o3！实测来了：“小版本升级”着实不小
DeepSeek在端午节前更新R1新版本DeepSeek - R1 - 0528，看似小版本更新实则提升巨大，在LiveCodeBench上几乎与OpenAI o3 - high相当，实测显示编程等能力显著优化，直追闭源模型。
Zig 创始人直言，Bun 靠 Claude 生成的 Rust 重构版是“没人把关的烂代码”
Bun创建者用Claude智能体11天将Bun从Zig移植到Rust，虽通过测试，但Zig创始人Andrew Kelley批评其编程实践不规范，认为代码是‘没人把关的烂代码’，且AI生成代码缺监督会出问题。