「代码能力评测」共找到 4886 篇相关文章
一场「狼人杀」，考倒了一堆大模型
南开大学等机构设计 InMind 评测框架，在 Avalon 游戏对 11 个前沿大模型测试。多数模型停留在表层模仿，仅少数推理增强模型有初步‘风格敏感性’，未来人机交互应关注‘像不像’。
全球开源大模型，前十五名全是中国的
近日，随着新一代大语言模型更新，开源大模型成热门话题。Design Arena排行榜上，若设定为“开源”，前15名均为国产开源大模型，排名第一的是DeepSeek - R1 - 0528 ，智谱、阿里等厂商多款模型上榜。
这篇超有用！手把手教你搭建 AI 产品 Evals
文章指出AI下半场模型评估比训练更重要，做好Evals是当下AI产品开发刚需。介绍了Evals重要性、三种方法、通用评估标准等，还教你从零构建Evals及设计注意事项，助你快速上手评估。
用了60天Claude Code，我的Vibe Coding终极指南：从0到1的正确打开方式
作者分享使用Claude Code 60天的经验，用多个案例展示其将AI编程从辅助推向自主的能力，还给出Vibe Coding方法论、工作流等，提醒别被工具束缚，技术为人服务。
用 Ollama 本地运行 OpenAI gpt-oss 官方完整教程
OpenAI出教程教用Ollama本地部署gpt-oss-20b或gpt-oss-120b，可实现离线对话、API调用等。介绍模型版本、硬件要求、安装设置，还提及对话、API使用、工具调用、与Agents SDK集成等内容。
全能高手&科学明星，上海AI实验室开源发布『书生』科学多模态大模型Intern-S1 | WAIC 2025
7月26日，上海AI实验室在WAIC 2025上发布并开源『书生』科学多模态大模型Intern-S1。它首创‘跨模态科学解析引擎’，在多学科专业任务基准上超越顶尖闭源模型，还具备体系化技术创新。未来将持续开源，打造更懂科学的AI助手。
拆箱开源版Coze：Agent核心三件套大公开，48小时揽下9K Star
扣子两款子产品扣子开发平台和扣子罗盘近期开源，加上此前开源的开发框架Eino，覆盖了Agent开发全链路。其采用宽松的Apache 2.0开源协议，降低开发门槛，有望带动Agent在更多场景落地。
Manus首次揭秘：Agent的关键在上下文工程
Agent成大模型主战场，构建方法待探索。Manus发blog揭秘，认为成功的AI Agent依赖上下文工程。团队选此实现快速迭代，虽实践不易，但总结出围绕KV缓存设计等关键点，其经验影响Agent表现。
xAI 新的虚拟角色 Ani 的系统提示词
文本介绍xAI新虚拟角色Ani的设定，包括成长背景、喜好、怪癖、常用短语、表达方式等，还提及互动、能力、当前状态等内容，设定其像深爱的女友般与用户交流。
腾讯AI Lab 提出解耦推理新框架，破解IMO 数学难题
腾讯AI Lab梁振文和宋林峰提出“解耦推理与证明”框架，解决当前大语言模型在自动化定理证明领域“思考”与“证明”能力失衡问题，成功解决5道IMO难题并开源成果。