「代码能力评测」共找到 4810 篇相关文章
顶尖AI竟输给三岁宝宝，BabyVision测试暴露多模态模型硬伤
UniPat AI 等发布多模态理解评测集 BabyVision，测试显示多模态大模型纯视觉能力仅达三岁幼儿水平。其通过对比实验、细分任务评测，揭示模型系统性缺基础视觉能力，还给出新方向及发展建议。
o1核心贡献者离职后首发声：AI是史上最强杠杆，超越人力、资本和代码
刚被曝加入Meta的前OpenAI核心研究员Hyung Won Chung，分享对AI未来的思考。他认为AI是最强大杠杆，能成个人能力倍增器，智能体开启无需许可的复合杠杆，还能推动人类科学进步。
Kimi总裁张予彤北大实录：我们想要有抽象能力和偏执的人｜甲子光年
Kimi总裁张予彤在北大分享，谈AI时代人才标准，偏好有抽象能力和偏执的人。还探讨AI创造新工作、学校课程设计、企业管理等问题，分享Kimi招人标准、组织特点及对行业诸多问题的看法。
MeshCoder：以大语言模型驱动，从点云到可编辑结构化物体代码的革新
生成式AI在三维空间面临挑战，传统3D生成成果粗糙难编辑。团队推出MeshCoder，将三维输入翻译成结构化代码，有分部件生成等优势。介绍其实现路径、实验性能，也指出局限并展望未来。
代码检索新王登基！CodeFuse ｜ 开源C2LLM，用“注意力池化”刷新MTEB-Code榜单
蚂蚁集团与上海交通大学推出C2LLM系列模型，基于注意力创新池化机制解决代码表征痛点，登顶MTEB - Code榜单。作为CodeFuse Embedding开源家族成员，将全套回馈社区，为代码大模型研发提供基线。
ACL 2025杰出论文！用能力显著向量让大模型下游任务性能预测更精准
上海人工智能实验室与复旦大学联合研究成果《Capability Salience Vector》获ACL 2025杰出论文奖。提出能力显著向量（CSV）解决验证损失与下游任务能力脱节问题，实验验证其提升了下游任务表现可预测性。
九成以上模型止步白银段位，只有3个铂金！通用AI下半场评测标准来了
OpenAI研究员姚顺雨提出AI发展步入新阶段，下半场关键在评估模型真实智能。新加坡国立大学等团队提出“通才智能”评测框架，剖析多模态大模型短板，推出五级评估体系和测试集，测试结果暴露模型弱点，引发社区积极反响。
别再无脑开高推理！Opus 5高配会擅自重构代码乱加戏
有人用FrontierCode编程基准测试Opus 5推理档位，发现性能顶峰在medium档，高档位推理预算多余，会让模型反复校验、偏离需求，在代码场景还会擅自重构代码。Anthropic也建议调低推理档位。
你那上万行Agent代码都是垃圾！Browser Use作者骑脸输出，开源了Manus级内核。
Browser Use作者Gregor Zunic称上万行Agent代码是垃圾，提前开源驱动BU.app的Agent内核。其核心仅一个for循环，理念是价值在模型非代码，还介绍三大支柱，使用方便，项目大道至简。
OpenAI Codex 负责人：懂底层是没被淘汰的唯一底牌，顶尖工程师的终极归宿是“代码审查员”
OpenAI Codex 负责人 Michael Bolin 分享职业经历，从 Meta 底层架构工作到加入 OpenAI。他指出 AI 时代工程师角色转变，懂底层是不被淘汰的底牌，还给出提升能力的建议。