「代码评估数据集」共找到 4464 篇相关文章
灵初智能陈源培：一个 00 后的机器人之梦
00 后陈源培是灵初智能联创，本科土木工程专业，大二因比赛对机器人感兴趣。他研究灵巧手，参与开源项目，灵初发布相关模型。他认为强化学习对灵巧手重要，还谈了模型、创业、落地等看法。
苹果OS全家桶12年最狠升级！AI入侵一切，唯独Siri没更
春季WWDC开幕，苹果OS全家桶迎十多年最大版本升级，统称OS 26。苹果AI进化，支持实时翻译、看屏搜物等。开发者工具升级，三行代码可调用苹果AI。各系统在设计、功能上均有革新。
AI还不会独自问诊，o3准确率仅为51.12%，上交大×SII开源高难度复杂疾病诊断测评集
上海交大与SII团队开源高难度复杂疾病诊断测评集DiagnosisArena。测试显示，现有大模型在复杂临床诊断任务中表现不佳，o3准确率仅51.12%，且选择题设置无法反映其真实能力。
微软开源AI量化神器Qlib
微软开源AI量化平台Qlib，支持多样机器学习范式，解决量化投资挑战。包含数据处理等完整流程，有安装、数据准备等说明，还提供自动化和定制化工作流，以及应对挑战的方案和性能对比。
陶哲轩转发！DeepMind开源「AI数学证明标准习题集」
DeepMind开源形式化数学猜想库，收录经典数学猜想，还提供代码函数方便形式化表述。此库可作测试基准提升AI数学推理能力，是AI+ATP范式关键前置步骤，团队邀更多人参与丰富内容。
多模态模型具备“物理推理能力”了吗？新基准揭示：表现最好的GPT-o4 mini也远不及人类！
来自多机构研究人员构建PhyX基准测试，评估多模态模型物理推理能力。测试显示，即便表现最佳的GPT - o4 mini准确率仅45.8%，远不及人类的75.6%，且模型在多方面存在结构性缺陷。
AI 不会杀死初级开发者——但你的招聘策略可能会
文章指出在 AI 编码普及的行业，初级开发者角色转变但不可或缺。AI 虽自动化部分任务，却带来新挑战与期望。初级需培养新技能，避免过度依赖，公司也应调整招聘、培养和评估方式。
营收造假、虚假宣传，10年AI平台申请破产
英国低代码AI开发平台Builder.ai因营收造假申请破产保护。此前其收入预估大幅缩水，且早有宣传与实际不符问题。回顾其发展，多次融资却因财务问题、管理不善等走向破产。
claude 4摔碎了码农的饭碗~
昨晚Anthropic发布Claude 4系列模型，Opus 4编码能力强，SWE - bench测试成绩优，能完成7小时代码重构。Claude 4让完成日级任务的时间提前，各应用纷纷接入，部分产品有应对策略。
WSL、Copilot皆重磅开源，深夜炸场的微软给我们带来了哪些惊喜？
今年微软 Build 2025 大会于 5 月 20 日凌晨开场，AI 是重要战略方向，‘开源’成关键词。大会有诸多亮点，如开源 Copilot 核心功能和 WSL，升级开发者工具，推出新智能体和平台等，还与多方探讨 AI 发展。