「SWE - Bench Pro」共找到 574 篇相关文章
网友疯玩Gemini 3！AI造物门槛真是0了
才发布一天，Gemini 3 Pro就被网友玩出花。热门玩法数字拍立得，复古照片直出；还能打造AI版“4399小游戏”网，及“一张图造应用”玩法，如将图片转化为游戏、网站等。
Claude Sonnet 4.5被炸出来了，依旧最强编程，连续30小时自主运行写代码
新发布的Claude Sonnet 4.5在SWE - bench等多项测试中成绩提升，能连续30小时自主写代码，还改善了对齐和安全性指标，且提质不加价。此外，Anthropic官宣Claude Agent SDK，发布Imagine with Claude功能。
OpenAI发布GPT-5.4：首个原生接管电脑通用模型
OpenAI发布GPT-5.4及满血版GPT-5.4 Pro，主打专业生产力。它具备原生电脑操作能力，视觉感知、职场任务表现提升，幻觉问题被压制，代码能力强，工具调用机制优化，已在ChatGPT等全量上线，API定价上调。
2025 IMO真题撕碎AI数学神话，全球顶尖模型齐翻车！冠军铜牌都拿不到
2025 IMO数学竞赛中，全球顶尖AI模型均翻车。冠军Gemini 2.5 Pro仅得31分，连铜牌都拿不到。Grok - 4表现糟糕，DeepSeek - R1也令人失望。AI虽有思路，但逻辑细节不足，离成奥数大师尚远。
我的Codex是Claude Code 帮忙装好的……
OpenAI的Tibo称Codex CLI支持ChatGPT账号登录，Plus和Pro订阅用户可在命令行用GPT - 5。作者安装Codex遇问题，Claude Code帮忙解决。测试发现Codex有提升空间，作者认为Claude Code功能强大，建议人人开Claude Code Max。
谷歌新版Gemini一夜端掉UI：单HTML文件复刻macOS，成功率100%
谷歌新版Gemini 3.0 Pro能力惊人，几行提示词就能在浏览器复刻苹果macOS，还能生成网页版Windows、Linux，功能完整且能一次生成，代码已公开。不过有网友指出这只是模拟环境。业内推测其或在未来几个月发布。
OpenAI o3封王，4比0横扫马斯克Grok 4！全球大模型对抗赛完美收官
Kaggle AI国际象棋锦标赛中，OpenAI o3以4-0横扫Grok 4夺冠，这场比赛也被视为OpenAI与xAI的“代理人战争”。季军战里，Gemini 2.5 Pro击败o4 - mini获铜牌。大赛旨在检验大模型多方面能力。
高考数学全卷重赛！一道题难倒所有大模型，新选手Gemini夺冠，豆包DeepSeek并列第二
因网友质疑上次测评不严谨，此次用六款大模型挑战含解答题的全套高考数学题。结果Gemini 2.5 Pro夺冠，Doubao和DeepSeek R1并列第二。解答题是失分重灾区，图像题难倒多模态大模型。
DeepSeek 为什么把缓存涨了 11 倍？长上下文需求暴涨，得交点「存储税」了
8月17日，DeepSeek V4 Pro API输入和输出价格上涨，空闲时段缓存命中价涨5倍，高峰时涨11倍。此前其因高缓存命中率成性价比之选，但长上下文需求爆发致后端“缓存颠簸”，只能通过涨价收“存储税”。开发者可提高缓存命中率应对。
Claude不到4%，全军覆没！一场大考撕碎Agent「全自动办公」幻想
新智元报道，UniPat AI的SaaS - Bench实战考卷，用23个真系统、106个任务测试Agent。结果显示，Claude Opus 4.7完全通过分数仅3.8%，多数模型全军覆没，暴露了Agent在真实环境中的四种致命缺陷。