「代码评估数据集」共找到 4449 篇相关文章
最强编码模型Claude 4来了！Mcp集成无需Client，扩展提示缓存增强Agent长上下文保持能力
Anthropic 昨日推出新一代 Claude 模型，包括 Claude Opus 4 和 Claude Sonnet 4，在编码、高级推理和 AI Agent 方面树立新标准，有卓越编码能力、显著提升的 Agent 能力、全新 API 功能，Claude Code 也全面上市。
英伟达让机器人「做梦学习」，靠梦境实现真·从0泛化
英伟达推出DreamGen项目，让机器人‘做梦学习’。它利用视频世界模型生成神经轨迹，仅少量现实视频就能让机器人学会新任务，实现从0泛化，还将助力GR00T - Dreams发展。
狂揽 9.9K star！比Selenium更好用的网页自动化利器，功能超强，太6了！
本文分享开源项目 SeleniumBase，它包装 Selenium 的 WebDriver API，功能强大。支持主流浏览器，内置测试框架，能搞定防爬检测。有智能等待等特色，安装简单，GitHub 有大量示例。
对谈openai首席产品，AI时代的产品思路。
知名播客主理人Lenny对OpenAI CPO Kevin Weil进行访谈，分享了OpenAI内部的产品哲学，包括Model Maximalism、Iterative Deployment、Evals等方法论，还谈及AI技术演进、未来机遇等思考，鼓励培养核心能力应对AI变革。
Lilian Weng：Harness才是模型自我迭代的现实起点和关键，而不是直接重写权重
Thinking Machines Lab联合创始人Lilian Weng发文指出，实现AI递归式自我改进（RSI），设计围绕模型的执行系统“Harness”才是现实起点。文中详述Harness设计模式、优化路径，也指出自我改进面临的瓶颈。
人工智能正在重写艺术现场：全球7个值得关注的案例盘点
MANA每周精选全球AI艺术案例，助读者理解创作、策展和文化产业的变化。文中介绍7个案例，如美国首座AI艺术博物馆、AI影像进入电影节等，还阐述各案例影响与启发。
你的 Harness 工作流真的在进步吗？我们用一场考试撕掉了遮羞布
文章指出Harness工作流常靠‘主观vibes’驱动，缺乏有效评价体系。为此推出Harness Eval评测系统，包含出题、答题、改卷等环节，形成闭环，帮助工作流持续改进，还能提升整体通过率。
8个AI顶流科学家，300亿估值：他们要让AI自我进化
AI初创公司Recursive结束隐身状态，公布八位联合创始人名单，完成6.5亿美元A轮融资，估值达46.5亿美元。公司旨在推动自我改进型人工智能发展，让AI学会科研，虽面临挑战，但受算力产业链关注。
李飞飞做AI游戏，拿了4个亿
李飞飞联创的AI游戏公司Astrocade获5600万美元A+B轮融资。该平台让用户用自然语言描述就能生成游戏，上线8个月有2000万用户、月1.4亿次游玩。其用专门AI模型降低创作门槛，未来发展待察。
大型挂机现场：马斯克的55万英伟达GPU，利用率才11%
《The Information》报道，马斯克旗下xAI有55万英伟达GPU，利用率仅11%。原因包括大规模部署协调难、数据传输瓶颈和训练间歇性。这是行业普遍问题，xAI着手解决，设定50%利用率目标。