「编程评测」共找到 1706 篇相关文章
vivo发布端侧多模态模型，只有3B可理解GUI界面，20项评测表现亮眼
vivo AI Lab发布端侧多模态模型BlueLM - 2.5 - 3B，融合文本与图文能力，支持长短思考模式切换。它在20余项评测中表现出色，参数量小，训练和推理成本低，有精巧结构、高效策略，还有高质量数据和高性能平台支撑。
从「记忆解题」到「深度推理」：港科大推出首个本科数学动态评测基准 UGMathBench
港科大团队发表在 ICLR 2025 的研究 UGMathBench，是首个本科数学动态评测体系。它涵盖 16 个学科领域，通过变量扰动创建多版本试题，引入创新指标评估模型推理能力，测试结果揭示了当前模型短板。
EMNLP 2025 | T2R-bench: 业内「首个」工业级表格生成报告评测基准
中国电信人工智能研究院推出业内首个面向真实工业场景的“表格到报告”基准T2R-bench，涵盖多领域真实表格、问题与人工标注关键点，配套创新性三维度评测体系。实验显示主流大模型在该任务上表现欠佳，提升空间大。
编程智能体的隐藏bug，被上交IPADS团队用数学逻辑给揪出来了
上海交通大学 IPADS 研究团队打造 FM - Agent，实现大规模系统全自动正确性推理。它能从顶尖编程智能体生成的大规模系统中找出隐藏 bug，还提出新规约生成方法，在绝对严谨与工程可用间找到平衡。
Claude 吞噬整个AI编程栈？“Vibe Coding 公司的最大错觉是以为自己有护城河”
近日网友爆料 Anthropic 开发类似 Lovable 功能，要构建全栈式 Vibe 编码平台。此前 Claude Code 源码泄露，显示 Anthropic 补齐 AI 开发栈。AI 编程进入‘大收割时代’，模型厂商吞噬工具趋势显现，Lovable 等面临挑战。
Claude 吞噬整个AI编程栈？“Vibe Coding 公司的最大错觉是以为自己有护城河”
近日网友爆料Anthropic开发类似Lovable功能，可构建全栈应用。此前Claude Code源码泄露，展示其构建软件开发全流程“执行层”能力。AI编程进入“大收割时代”，模型厂商吞噬工具趋势显现，Lovable等平台护城河受挑战。
Grok4全网玩疯，成功通过小球编程测试，Epic创始人：这就是AGI
发布不到一天，Grok4就被网友玩疯。它通过六边形小球编程测试，动画表现出色。大佬Tim Sweeney称其为AGI，马斯克附议。还有网友用多种方式测试，如与o3对比、SVG绘图等，Grok4表现有亮点。
10K Star！这个 AGENTS.md 开源项目太赞了，AI 编程助手彻底悟了！
AI 在看 README 时理解能力差，被戏称“智商只有三岁”。AGENTS.md 是专门写给 AI 编程智能体的文档格式，已获 10K Star，可助其理解项目，还介绍了与 README.md 的区别、使用方法等。
马斯克点赞的APP来了！刚下场视频世界模型，就拿下评测第一
实时视频世界模型成热门，Loopit发布的实时互动世界模型Zing - 0.5在评测中获第一且已开源。该公司提出独特观点，认为实时视频非世界，互动应“模应一体”，还指出抵达端到端终局的新路径。
AI4S智能体「井喷」，这个智能体登顶多项评测榜单，实现产业落地
2026年是AI4S「智能体元年」，科研智能体产品密集发布，行业关注转向产品落地。深度原理发布的AI科学家平台Mira在多项评测中领先，其全链路闭环系统补齐传统短板，已在多领域落地验证。