「代码评测」共找到 2208 篇相关文章
开源框架让代码AI偷师GitHub！bug修复率飙升至69.8%，性能创纪录
MemGovern团队联合多高校团队提出MemGovern框架，将杂乱GitHub数据转化为AI可用的结构化记忆。它构建筛选净化流水线，采用先搜后看模式，实验显示能显著提升代码智能体的bug修复率，还具跨领域推广价值。
知识类型视角切入，全面评测图像编辑模型推理能力：所有模型在「程序性推理」方面表现不佳
东南大学等团队提出KRIS - Bench，从知识类型视角对图像编辑模型推理能力评测。它分三大知识范畴、细化多种任务，设四维度评估指标，测10款模型，发现模型程序性推理等能力不足。
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”
谷歌联合创始人 Sergey Brin 在公开对话反思，低估了 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，提及早期研究的自由氛围及后来的决策，指出算法进步比规模扩张快，算力如甜点。
当 Agent 尝试接管浏览器，连“我是人类”都证明不了？上海交大开源发布交互评测基准 HLL
随着多模态大模型发展，Web Agent 面临验证码挑战。上海交通大学等团队发布 HLL 评测基准，解耦真实度为三维度，对 8 款前沿模型测试，揭示 Agent 在多步交互微操上的短板。
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。
被Anthropic强制改名！Clawdbot 创始人一人开发、100% AI 写代码，腾讯又跟上了热度
个人AI助手ClawdBot席卷硅谷，后被Anthropic强制改名Moltbot。它由Peter Steinberger一人开发，近乎100%用AI写代码。该项目已开源，有诸多亮点，但也存在安全隐患，网友使用场景多样。
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。
6.6K Star 打破次元壁！MCP-Use开源爆火：6行代码让LLM操控万物！
在AI Agent开发热潮中，MCP-Use作为开源Python库爆火。它用6行代码让LLM操控万物，支持多模型、多服务器，提供安全机制，适配网页浏览、3D建模等多种场景，降低AI Agent开发门槛。
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。
适用所有团队研发提效｜带你1分钟上手基于Claude Code的AI代码评审实践
文章介绍用Claude Code和AONE MCP Server实现智能AI代码评审。分析当前CR流程痛点，阐述解决方案架构、配置及效果，提效超50%，还给出使用方式、建议与后续优化方向，为团队AI提效提供参考。