「编程基准测试」共找到 2966 篇相关文章
李飞飞团队发布新一代世界模型Atlas：从零训练，一次性打通视频生成、 3D重建与机器人仿真
李飞飞创办的 World Labs 发布新一代世界模型 Atlas，称其为‘全球首个多模态世界模型’。它从零训练，能同时完成视频生成、3D 重建和时空模拟，已向少数伙伴开放测试，未来将成 Marble 底层模型。
Fable5仅做对3.5%！大模型会看图，但还没有主动视觉
本文介绍了专门测量「主动观察」能力的视觉推理基准 ActiveVision，评测显示无外部工具时，大模型与人类准确率有近 9 倍差距，用工具后虽提升但仍远不如人类，还说明了其出题与避免取巧的方式。
AI给你的总是平庸答案?5.8万星插件证明:问题不在模型,在你
GitHub上5.8万星的`taste-skill`仓库，无模型代码，仅用文本规则让AI编程工具输出更有品味。揭示AI默认给平庸答案是概率采样结果，还给出反中位数三问及AI时代变贵的是判断力。
外行瞎写的Vibe Coding，都能并入Agent 工程了：最吓人的是，我们“摆烂”有正当理由了
本文编译了软件专家 Simon Willison 在播客的访谈内容。他指出 Vibe Coding 与 Agent 工程正走向融合，AI 写代码渐趋可靠，人类审查成开发瓶颈，还探讨了 AI 对编程的影响、算力成本博弈等问题。
谷歌掀桌：深度研究智能体进入自动驾驶时代
4月末谷歌DeepMind推出两款基于Gemini 3.1 Pro的AI研究智能体，标准版重速度，增强版求详尽。Max版在多测试获SOTA得分，能自主研究课题出报告，还可融合数据、生成图表，已开启公开预览。
智谱首秀工程实战经验！Coding Agent日均数亿次调用，GLM-5把长上下文推理的底层问题全逼出来了
今年 2 月智谱 GLM Coding Plan 上线后很受欢迎，随着用户和调用量上涨，Coding Agent 成压力测试场。4 月 30 日智谱发布博客，披露 GLM - 5 系列模型在超大规模 Coding Agent 调用场景下的底层推理技术突破及工程实践经验。
《动手写AI Agent》前言 · 先看完成品
作者因想搞懂 Agent 原理，且市面上缺系统学习资料，决定手写一份教程，即《动手写 AI Agent》。书中 Ling 是从零手写的编程助手，介绍了其 8 个应用场景、技术规格，还说明了适合读者与全书路线图。
MIT新研究：大模型加噪声就能替代GRPO/PPO调参
MIT新论文提出，预训练模型周围存在大量“专家模型”，只需添加高斯噪声并集成，性能就能比肩甚至超越GRPO/PPO等调参算法。由此启发了RandOpt算法，经测试准确率不错，但也有依赖预训练等缺点。
元宝派、文心、UC…为什么BAT都急着给AI拉群？｜甲子光年
近期，腾讯、百度、阿里等巨头纷纷推出AI群聊功能。这一产品形态源于ChatGPT测试，技术和市场因素使其受关注。AI群聊不仅是社交延伸，更能改变交互范式，或成AI时代入口，目前尚处试水阶段。
十二大顶尖大模型决战华尔街与量化投资
文章解读重磅论文，该研究汇聚五家顶级AI厂商十二个大模型，在标普500指数十一大板块构建投资组合并测试。结果表明，混合智能策略是稳健收益最佳路径，未来量化投资是人机和量化模型三元融合。