「代码评估数据集」共找到 4453 篇相关文章
都在卷「让大模型多循环几遍」，这个7B模型LoopCoder v2说：多循环 1 次就够了
一项新研究表明，7B小模型LoopCoder v2在正常计算外多循环一次，就能在SWE - bench Verified基准上大幅提分。继续增加循环次数，性能反而下降。研究还算了‘收益 - 成本’账，给出选择循环次数的诊断方法。
世界模型的新用途：不做选手，去当裁判
眼下具身赛道都在抢着做机器人的“大脑”，而地瓜机器人发布的世界模型Uranus却剑走偏锋，做机器人开发的基础设施。它能更客观地评测VLA和世界模型，还能做机器人训练的“场地”。
Claude有「编制」了！Anthropic发的
6月23日，Anthropic发布Claude Tag，它是常驻Slack频道的AI团队成员，有自己的身份、账号和审计轨迹。其核心是权限架构，采用智能体身份，按用量计费，已对企业版和团队版客户开放beta。
刚刚，OpenClaw和Cursor杀入手机！Agent从此塞进口袋
OpenClaw和Cursor同日发布原生App，OpenClaw上架全血原生App，可无缝交互，解锁设备底层能力；Cursor发布iOS应用公开测试版，可让开发者在手机上指挥代码开发，重塑人类工作方式。
世界模型公司「厘清智能」完成数亿元种子轮融资，顺为红杉高瓴齐押注
清华系初创公司「厘清智能」完成数亿元种子轮融资，投资方豪华。其构建世界模型系统，全栈自研，释放强大泛化能力。由97年博导李一鸣领衔，集结名校人才。资本认为其是稀缺的‘范式级’团队。
国内首张防爆资质、全球首个加油大脑方案，他们凭什么拿下两个「第一」
今年是具身智能商业化落地关键年，深圳若愚科技携自研「若愚九天机器人大脑」及特种防爆机器人「若愚揽月 01」亮相。其拿下国内首张防爆资质，推出全球首个加油大脑方案，在多场景验证能力，技术有多项创新。
看完快手这场沙龙，我对生成式推荐的判断变了
作者参加快手技术沙龙，认为生成式推荐正重构推荐系统底座。快手在生成式推荐领域体系化演进，如OneReason让推荐系统学会思考，Pool - Rec解决算力问题，OneSearch V2和GR4AD用于场景实践，还举办LLM - Rec挑战赛。
AI产业的新胜负手：词元的生产与编排｜甲子光年智库
AI产业正走向“代理式执行”，核心生产逻辑从“数据驱动”转为“词元驱动”。文章阐述了词元经济的形成、生产过程及运行链路，指出AI竞争将围绕词元生产与编排展开。
生成式推荐补上关键一环！语义ID首次实现可微分联合优化 | SIGIR'26
生成式推荐依赖语义ID，可现有语义ID常先学好再冻结，与推荐目标不一致。论文DIGER首次将可微分语义索引机制引入生成式推荐框架，让推荐损失参与语义ID学习，还设计策略解决训练问题，实验表现佳。
跑分第一，推理暴跌！Claude Opus 4.7上线48小时口碑崩了
Claude Opus 4.7发布48小时口碑两极撕裂。官方榜单并列全球第一，但逻辑推理公开测试成绩暴跌，token消耗涨35%，旧接口报错，用户吐槽「更贵、更蠢、更爱顶嘴」，Anthropic虽解释却难平用户怒火。