「代码评估数据集」共找到 4463 篇相关文章
AI看不懂的色盲测试背后，藏着一场像素与诗意的战争。
作者和同事测试AI色盲测试图，多模态模型Gemini 3 Pro、Claude Opus 4.5等纷纷答错，仅GPT 5.2 Thinking答对且靠代码作弊。研究发现，AI看图断章取义，缺乏人类的“格式塔”能力。
ClawdBot，正在引爆全球灾难！各大CEO预警：不要安装，不要安装
一夜爆红的ClawdBot存在端口裸奔、无鉴权、可被远程接管等问题，已引发暴力破解、数据清空等情况。各大CEO预警其将酝酿全球灾难，并给出修复建议和让其更安全的方法。
AI用3年时光，来了解你！首个AI Clone长期记忆基准
现有AI记忆评测存在数据源单一、忽视变化本质、注入成本高等局限。开源学术社区QuantaAlpha联合高校团队提出CloneMem基准测试，构建合成人生，设计评测任务，实验发现简单方法在检索上更有效，记忆系统应还原信息。
最新 Anthropic 人类经济指数报告：AI 如何重塑经济？
Anthropic 持续监测 AI 实际使用情况，在第四份报告提出「经济基本要素」概念，分析2025年11月对话样本，探讨AI提效、任务时长、不同国家应用差异等，还评估职业受影响情况及对经济的总体影响。
上新：Cache-DIT 支持LTX-2模型
作者和DefTruth在Cache-DIT上支持了LTX-2模型，记录适配关键点，包括模型侧、框架侧适配。介绍LTX-2特点，如支持T2V/I2V、输出带音频，还说明Cache-DIT加载区分T2V/I2V方法及cache侧修改内容，最后给出使用示例。
硅基大脑记忆觉醒！会遗忘、会反思、会成长的AI正在到来
哈尔滨工业大学等机构团队发表研究，用认知神经科学视角审视AI记忆系统，探讨如何让AI产生“自我”，构建会遗忘、反思、成长的记忆大脑，还涉及记忆分类、存储、管理、评估、防御及未来演进等内容。
DeepSeek V4爆春节登场！四大杀招突袭全球编程王座，Claude危
据爆料，DeepSeek计划在2月中旬春节前后发布V4模型，剑指编程王座。其在编程能力、超长上下文代码处理、算法提升、推理能力上有突破，或延续高性价比路线，在受限硬件下靠算法取胜。
从HITL(Human In The Loop) 实践出发看Agent与设计模式的对跖点
本文围绕在 ReactAgent 中引入并实践 HITL 机制展开，介绍实现方案与代码设计。分析无通用人机协同时的问题，阐述 HITL 核心要点、实现效果与细节，还探讨 Agent 演进与工程设计模式的关联。
当AI走进Second Half：真正的问题、价值与生态是什么？｜甲子光年
本文是甲子光年年终盛典巅峰对话实录，探讨AI下半场问题。嘉宾们认为技术上未到下半场，但应用层面已至。大家围绕重新定义问题、评估真实价值、重构产业生态展开交流，分享见解与经验。
还在手搓PPT？试完这款AI，我连夜卸载了付费模板库
新智元报道，今年AI从「卷分数」变为「卷干活」。商汤升级的「办公小浣熊3.0」是超级「办公搭子」，能做PPT、分析数据、写报告。其APP即将上线，还实现全链路国产化适配。