「Coding 基准测试」共找到 2898 篇相关文章
Qwen3.7：智能体新前沿
阿里云正式发布面向智能体时代的Qwen3.7-Max模型，将通过API提供服务。它能力全面，编程、办公、长周期执行等表现出色，适配多框架，在多场景评测中领先，能驱动生产力跃升，还经多实战测试验证实力。
Agent-World：扩展真实世界环境，让智能体与环境协同进化！
文章提出Agent-World，将“智能体环境探索”与“自进化训练”结合，构建了1978个环境、19822个工具。实验表明，其在23个基准上一致性优于先进方法与强开源基础模型，还分析了环境规模与自进化对性能的影响。
跑分第一，推理暴跌！Claude Opus 4.7上线48小时口碑崩了
Claude Opus 4.7发布48小时口碑两极撕裂。官方榜单并列全球第一，但逻辑推理公开测试成绩暴跌，token消耗涨35%，旧接口报错，用户吐槽「更贵、更蠢、更爱顶嘴」，Anthropic虽解释却难平用户怒火。
“不爱龙虾爱马仕”，为什么Hermes比OpenClaw更值得
文章对比了Hermes Agent和OpenClaw，Hermes由Nous Research出品，开源免费，安装便捷，支持多模型。其核心是闭环学习循环，能自我进化，技能可自动生成和更新，记忆系统更优，在多场景有优势，安全设计好。
港中文薛天帆团队：实现 4K 全景视频生成，普通视频也能「长出空间」丨CVPR 2026
香港中文大学薛天帆团队提出CubeComposer框架，可将普通视角视频扩展成原生4K的360°视频。研究在两个数据集测试，结果显示其在多指标上优于基线。该成果突破技术上限，让普通人也能制作360°视频。
求码10天，我终于过上了在微信上使唤🦞的日子
腾讯鹅虾产品QClaw升级，将微信入口变为小程序，支持传文件，上线灵感广场。作者求码10天体验它，测试其在微信和电脑端操作能力，肯定便捷性，也指出执行流程不透明等问题。
英伟达龙虾模型开源，12B激活登上成功率全球第四
英伟达发布专为龙虾打造的开源模型Nemotron 3 Super，总参数120B，激活参数12B，在龙虾模型基准PinchBench上成功率全球第四。该模型结合Mamba与Transformer架构，引入多项创新技术，还开源了模型权重、数据集等。
编程奇点逼近，程序员斩杀线就在眼前！软件版YouTube时刻在发生
新智元报道，软件开发正迎来「YouTube时刻」，AI工具如Cursor、Claude Code等让编程变简单。A16z投资人预言App创建速率或飙升10倍，软件边际成本趋近零，人人可成开发者，不过程序员也面临被AI替代风险。
震撼！OpenAI神秘模型连破6道前沿难题，奥特曼：AI在造「新知识」
OpenAI首席科学家爆料，其神秘内部模型一周攻克10道未发表顶尖数学难题中的6道。First Proof团队用公开模型测试，结果冷峻。虽OpenAI实际命中率或低于宣称，但AI解前沿题意义重大，也暂无法取代数学家。
技术框架不重要，大厂简历不值钱？小哥不会写代码却进了Lovable，80% 靠聊天也能上生产
Lovable是当红AI产品公司，估值66亿美元，其开设全职Vibe Coder岗位。零技术背景的Lazar Jovanovic成首位该岗员工，他80%时间规划对话，介绍了Vibe Coding方法及应对问题策略，强调表达、品味等重要性。