「编程基准」共找到 1887 篇相关文章
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。
刚刚，新版DeepSeek-R1正式开源！直逼o3编程强到离谱，一手实测来了
临近端午假期，新版DeepSeek - R1凌晨正式开源，模型权重已上传到HuggingFace。其性能几乎与o4 - mini（Medium）相当，编程实测超越Claude 4 Sonnet。有多项更新亮点，经实测性能获“史诗级”加强。
阿里 Qwen3.8 正式发布：2.4T 规模，自主编程 16 天搓出一个 Hermes Agent
8月3日，阿里巴巴发布新一代基座大模型Qwen3.8，总参数量2.4万亿，性能居全球第一梯队。其API已上线千问AI平台，还接入“千问办公”。Qwen3.8编程和办公能力强，还将开源，性价比高。
首个Data Agent基准测试来了！2007个测试任务将数据库、PDF、视频、音频异构数据源一网打尽
南洋理工大学、新加坡国立大学与华为开源首个针对数据智能体异构混合数据分析的基准测试FDABench。它有2007个任务，覆盖多领域多数据源，独创协作框架，能测多种工作流模式的数据智能体。
谷歌创始人罕见反思：低估 Transformer，也低估了 AI 编程的风险，“代码错了，代价更高”
谷歌创始人 Sergey Brin 在斯坦福公开对话中反思，谷歌曾低估 Transformer 和 AI 编程风险。他认为 AI 写代码易出错，更适合创意类工作。还回顾谷歌发展，指出虽有研发积累，但曾投入不足，强调算法比算力更关键。
Nano Banana不及格，开源模型一分难求！上海AI Lab新基准直击文生图模型痛点
上海人工智能实验室等联合发布首个多学科文生图考试基准GenExam，覆盖10学科、1000题。实验显示，GPT - 4o严格评分正确率仅12.1%，开源模型接近0分，暴露出模型在专业场景的短板。
Claude Code 火爆被玩坏后，刚刚Anthropic 索性掀桌子：推出非编程版 Claude Cowork
继Claude Code被用户广泛应用于多领域后，Claude推出非编程版Cowork，向macOS应用Claude Max订阅用户开放。它能处理非编码工作，自主性强，但也存在潜在风险，当前为研究预览版。
Claude Code 的创始人揭秘工作流程：开 5 个智能体“玩编程游戏”，不看的程序员就落后了？
Anthropic公司Claude Code创始人Boris Cherny在社交平台分享工作流程，引发行业关注。他并行运行5个Claude智能体编程，用最大最慢模型Opus 4.5，还解决AI“健忘症”，实现重复性任务自动化。
人类选手苦战10小时获得世界编程冠军，OpenAI获得亚军，但这可能是最后一次了
在AtCoder启发式编程世界杯总决赛，人类选手Psyho苦战10小时击败OpenAI的AHC模型夺冠。赛事专注优化问题，比赛过程跌宕起伏，也证明了AHC具备持续性推理等关键能力。
跳出英伟达生态：OpenAI 发布新编程模型 GPT-5.3-Codex-Spark，速度达 1000 token每秒
OpenAI 发布新编程模型 GPT-5.3-Codex-Spark，跑在 Cerebras 晶圆级芯片上，速度达每秒超 1000 个 token，比传统 GPU 推理快约 15 倍，这是其跳出英伟达生态的里程碑。