「代码评测」共找到 2200 篇相关文章
让AI Agent自动接Issue、写代码、上线：我用200行代码搭了一个全自动开发流水线
文章介绍AI Agent驱动的全自动开发流水线，对比传统流程，指出开发者角色转变。列举开源工具，给出200行代码的最小实现，分析半自动与全自动差异及信任鸿沟，点明开发自动化趋势，还给出落地建议。
刚刚，Anthropic 又出新货：Claude Opus 4.1 发布，代码、推理能力再升级
Anthropic发布Claude Opus 4.1，是对Opus 4的小升级，提升智能体任务、代码处理和推理能力。付费Claude用户等已可用，价格不变。在编程评测表现佳，获多方好评，官方建议升级。
C3仓库AI代码门禁通用实践：基于Qwen3-Coder+RAG的代码评审
本文介绍C3仓库基于Qwen3 - Coder+RAG的代码评审实践，在CI流水线监听代码修改触发AI评审，可发现逻辑风险、拦截高危缺陷。该实践能提升评审效率与质量，可复用于代码门禁平台或辅助编程工具，当前仍在持续优化。
57.6万代码撕碎AI编程神话，20%「幽灵包」暗藏漏洞！苹果、微软已中招
最新研究用57.6万个代码样本揭示，超20%代码依赖的是不存在的软件包，为供应链攻击创造机会。Meta和微软虽看好AI写代码，但AI生成代码或成安全灾难，开发者需仔细检查。
揭秘大模型评测：如何用“说明书”式方法实现业务场景下的精准评估
文章系统性介绍业务场景下大模型评测流程，包括需求分析、评测集设计生成、维度设定、任务执行和报告输出。指出评测挑战，如设计维度和集，还给出评测方法及案例，像蚂蚁评测集、业务自动化评测。
GLM-5真够顶的：超24小时自己跑代码，700次工具调用、800次切上下文！
GLM - 5正式发布，把开源AI带入长任务时代。它超24小时自己跑代码，完成GBA模拟器，能力稳定。评测结果佳，在主流测试中编程能力与Claude Opus 4.5对齐，引发网友欢呼。实测还展现多种应用能力。
HarnessEval 来了！开启 RSI 时代的新评测范式！
过去一年AI进入RSI时代，但评测方式仍停留在过去。MirroS联合多方发布HarnessEval，将Harness引入评测领域，使评测成为具备自我进化能力的智能系统，还率先应用于交互式世界模型评测。
Coding Agent 自主解题很强，但用户改一行代码就"翻车"？自所团队提出 SWE-Touch 揭示共享工作空间下的能力缺口
当前基于大模型的Coding Agent是热门研究方向，现有评测多假设其独占代码仓库。中科院自动化所团队构建SWE - Touch框架，对9个前沿模型测试，发现用户干预下模型性能下降、排名洗牌。
代码基础，情书就不基础
情人节、七夕来临之际，收获370条程序员爱的代码，文章展示其中16条“代码情诗”，展现程序员用代码表达情感的独特浪漫，文末还有分享三行情书赢七夕基金的活动。
上海交大/上海AI Lab翟广涛：当评测不再重要，AGI就实现了
上海交通大学教授翟广涛认为完美的AI评测体系等同于通用人工智能。当下评测体系存在数据污染、原子化能力评测局限等问题，他主张回归‘以人为本’，团队提出相关框架和技术路径，目标是训评一体。