「代码评估数据集」共找到 4449 篇相关文章
最新智能体自动操作手机电脑，10个榜单开源SOTA全拿下｜通义实验室
通义实验室推出Mobile - Agent - v3智能体框架，在多核心榜单获开源最佳。它能完成复杂任务，在多智能体框架中灵活切换角色。团队搭建云环境基建，从多维度构建数据，用强化学习和多智能体协作提升其性能。
DeepSeek有点含蓄了，实测V3.1有进步，编程等个别场景硬刚GPT-5
DeepSeek悄悄更新V3.1，官方仅提及上下文长度拓展至128K。实测其代码能力与前端审美提升，逻辑推理也有进步，在编程等个别场景能硬刚GPT - 5，但处理复杂任务还有距离，更新不大却有进步且降价。
谢赛宁团队新基准让LLM集体自闭，DeepSeek R1、Gemini 2.5 Pro都是零分
纽约大学等8家机构研究者提出LiveCodeBench Pro竞技编程基准测试，评估了Gemini 2.5 Pro等前沿大模型。发现当前模型有显著不足，在无外部工具时，高难度题通过率为0，LLM与人类大师级水平差距明显。
分割一切并不够，还要3D重建一切，SAM 3D来了
深夜 Meta 重大更新，上线 SAM 3D、SAM 3。SAM 3D 含物体与场景重建、人体形状与姿态估计两模型，能将 2D 图转 3D 重建结果。SAM 3 可检测、分割与跟踪图像视频物体。Meta 开放模型权重与代码，推体验平台。
发生在CES的六场对话：来自深圳的 AI 硬件“外卷”
2026年CES上，中国硬件力量涌向全球。虽有地缘政治摩擦、签证障碍，但全球市场仍看好中国AI硬件。大厂将边缘硬件定义为AI生态入口，初创公司从数据、场景、交互寻生存之道，机器人应用场景也更明确。
百度造了个“AI星舰”？或成业界最完备的企业级AI平台
在2025百度云智大会上，百度智能云千帆企业级AI开发平台发布4.0新版本，核心聚焦Agent。它一站式提供开发所需能力，解决模型选型、数据盘活等难题，还有RFT工具链降精调门槛，“白盒化”助问题诊断。
成本暴降99%！万人大会系统全是AI生成的，Vibe Coding终于真上战场了
百度世界大会2025上，无代码对话式应用搭建平台“秒哒”升级到2.0，能全栈应用一键生成，综合成本降99%。它靠多智能体协作，整合百度生态，后端能力强，还发起黑客松大赛，海外版也上线。
深度揭秘OpenAI如何让GPT-5「技术性」超越Claude：悄悄跳过最难的23道题
OpenAI发布会上称GPT-5代码能力全球第一，其在SWE-bench Verified基准获74.9%通过率，略高于Claude Opus 4.1的74.5%。但OpenAI未做23道难题，若计入，GPT-5实际通过率或低于Claude。
一封AI邮件，竟让Go语言之父爆起粗口
Go语言之父Rob Pike被AI写的感谢邮件惹毛爆粗口，Python之父Guido van Rossum也被骚扰。这反映出部分人对AI生成代码的厌恶，也体现了AI给程序员群体带来的恐慌，不过也有人建议顺应趋势使用AI编程工具。
人类最后考试登上Nature：全球50个国家近千名顶尖学者打造的AI测试集
人类最后的考试（HLE）登上Nature，这一测试集由全球50个国家近千名顶尖学者打造，含2500道高难度试题。现有的人工智能评估工具已跟不上技术演进，HLE能测出AI极限，让顶尖机器暴露短板。