「编程评测」共找到 1657 篇相关文章
4 个月 3000 万美金 ARR，做 AI 评测榜单的 LMArena 为何值 17 亿美金
AI评测产品LMArena半年前种子轮获1亿美金，现完成超1.5亿美金A轮融资，估值达17亿美金。其核心产品Chatbot Arena可对比AI模型回答并构建榜单，公布的数据或解答了其估值高的疑问。
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。
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。
首个面向科学任务、真实交互、自动评估的多模态智能体评测环境，ScienceBoard来了
ScienceBoard是首个面向科学任务、真实交互、自动评估的多模态智能体评测环境。它集成多领域科研软件，构建科研任务集合，评估智能体在科学任务上的表现，发现现有模型在科研工作流中远未成熟。
用「进化+压力测试」自动生成的竞赛级编程题，各家大模型谁更hold住？
北京大学与通用人工智能研究院联合提出 UniCode 框架，构建进化式评测系统，能自动生成高质量算法题目与抗污染测试用例。通过对 19 个前沿大模型测试，展现高挑战性与强判别力，为代码能力评估开辟新路径。
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。
GPT-5编程成绩有猫腻！自删23道测试题，关键基准还是自己提的
有人发现OpenAI测试GPT-5编程能力时，用的SWE-bench Verified子集仅477题，自行省略23题。若这些题默认零分，其得分比Claude Opus 4.1低。且该基准还是OpenAI自己提出的。
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。