「代码测试」共找到 3136 篇相关文章
如何选择最佳多模态大模型压缩方案？哈工大、度小满开源EFFIVLM-BENCH基准测试框架
金融科技智能化转型中，LVLM部署受算力瓶颈制约。哈工大与度小满联合开源EFFIVLM - BENCH基准测试框架，能为多模态大模型压缩方案出具‘体检报告’，还揭示LVLM加速复杂性，推动技术发展。
震撼！0人类，16个Claude全自主开发，2万美元十万行代码成功运行Linux
Anthropic研究员用Claude Opus 4.6智能体团队自主编写超十万行代码的C语言编译器，能运行《毁灭战士》、编译Linux内核。团队用拉夫循环等机制让Claude自主开发，虽有局限但全自动软件开发时代已提前降临。
奥特曼承认OpenAI路线走偏了，以及“写代码将变得不再重要”
奥特曼在直播中给出诸多实诚结论，如未来工程师人数或大幅增加，写代码时间将减少，OpenAI搞砸ChatGPT5系列模型，后续会回归通用模型，还探讨了AI对教育、经济、安全等方面的影响。
Claude推出多智能体代码审查系统：Anthropic内部同款，接管PR深度抓Bug
Anthropic为Claude Code引入代码审查系统，复刻内部审查机制，调度多智能体揪深层Bug。该功能面向团队和企业版用户预览，审查更彻底，虽成本高但有效提升审查质量，还能自定义规则、管控成本。
Agent全自动搭建代码运行环境，实时更新解决评测过拟合/数据污染问题｜微软
长期以来主流代码修复评测基准SWE - bench问题多，制约AI模型能力展现。微软发布SWE - bench - Live，引入新Issue，实现环境自动化构建与更新，打破传统局限，还揭示传统基准过拟合问题。
Harness Engineering：AI 能在真正"出事会炸"的后端系统里写代码吗？
文章围绕AI能否在后端系统写代码展开，以腾讯CDN LEGO项目为例，介绍了项目背景与挑战，通过nonstop项目探测AI编码能力，分析AI Coding易翻车的问题及根因，构建Harness Engineering架构并实践，最终效率提升20%。
手机AGI助手还有多远？移动智能体复合长程任务测试基准与调度系统发布
上海交大与澜舟科技研究发现现有移动端GUI智能体处理复合长程任务能力不足，提出UI - Nexus测试基准和Agent - NEXUS调度系统，经实验能提升任务完成率，也为AI原生操作系统建立雏形。
100美元、仅8000行代码，复现ChatGPT，Karpathy：这是我写过的最疯狂的项目
特斯拉前AI总监Andrej Karpathy发布全新开源项目「nanochat」，是极简且完整的「从零构建ChatGPT」训练框架。不到12小时GitHub星标破4.2k。约8000行代码，花100美元、4小时就能训练出专属「小ChatGPT」。
OpenAI官方揭秘：我们这样用Codex写代码「7大核心用法、6条最佳实践首次公开」
本文基于对OpenAI工程师访谈和内部数据，汇编了Codex的7大核心用法，如代码理解、重构与迁移等，还给出6条最佳实践，展示其如何助力团队高效工作、提升质量及管理复杂性。
谷歌Gemini 3.2偷跑上线！2200行代码一镜到底，Claude/GPT坐不住了
发布会未开，谷歌Gemini 3.2 Flash网页端静默上线，编码实力强悍，代码量大幅提升。其核心技术是蒸馏与稀疏化，推理成本大降。Gemini App集成第三方应用，谷歌I/O大会多款产品将曝光，此次发布对谷歌至关重要。