「编码基准」共找到 1213 篇相关文章
免费、开源！谷歌Gemini CLI彻底火了，平替Claude Code
谷歌开源的Gemini CLI火了，它能运行在终端，有谷歌Gemini Pro 2.5功能且基本免费。擅长编程等，与AI编码助手集成，有高免费额度，还具多项强大内置工具，或成Claude Code劲敌。
超越GPT-5.2和Gemini-3-Pro！商汤多模态搜索、推理模型开源
商汤开源多模态自主推理模型SenseNova - MARS（8B/32B双版本），它通过强化学习整合工具，在多模态搜索与推理测试中超越Gemini - 3 - Pro与GPT - 5.2，还采用创新算法稳定训练，构建新基准评测。
北大、字节、中科院自动化研究所等提出图像并行生成新范式
北大、字节等团队发现多模态模型先思考后作画会降低图像语义保真度，因自回归架构有误差传播问题。为此提出并行多模态扩散框架MMaDA - Parallel，构建ParaBench基准，多项优化后在测试中击败Bagel。
刚刚，Cursor 2.0携自研模型Composer强势登场，不再只做「壳」
Cursor 2.0发布重大更新，带来自研编码模型Composer和新协作界面。Composer速度领先，针对软件工程优化；新界面以智能体为中心，可并行运行多智能体，还解决了代码评审和测试瓶颈。
Anthropic 深夜祭出 Claude Sonnet 4.5，能自主工作 30 小时！CEO：它更像你的同事
昨夜凌晨，Anthropic 推出新一代模型 Claude Sonnet 4.5，官方称其是世界上最好的编码模型等。该模型性能跑分登顶，工程落地能力强，还带来产品生态升级，开放 Agent SDK，误报率降低，价格亲民。
从性能到实战，怎样才算是靠谱的 Agent 产品？
红杉中国团队提出AI基准测试工具Xbench，其双轨测评体系不再单纯执着于测评问题难度，重点量化AI系统在真实场景的效用价值，还构建长青评估机制，以确保评估结果的时效性和相关性。
快手&中科院 | 提出多模态奖励模型：R1-Reward，比SOTA模型提升5%-15%！
多模态奖励模型对提升多模态大语言模型表现至关重要，但现有强化学习算法用于训练存在问题。快手、中科院等团队提出 R1 - Reward，在基准上比 SOTA 提升 5% - 15%，还在快手业务场景成功应用。
CVPR 2026 Highlight｜让家电「在仿真中运转起来」，北大正式发布RealAppliance！
北京大学团队提出 RealAppliance 数据集与 RealAppliance - Bench 评测基准。前者收录 100 个精细家电资产，与真实产品系统多层面对齐；后者围绕五项任务评估模型家电操作规划能力，实验显示主流模型仍面临挑战。
MMLU已死？「人类最后考试」登Nature：全球AI模型集体不及格！
AI发展迅猛，现有基准测试难以跟上其步伐。近1000名研究人员组成的全球联盟创建「人类最后的考试」（HLE），涵盖多领域难题，目前最强AI准确率不足50%，凸显AI与人类专家的差距。
Anthropic最新2026趋势报告：人类最大一次编程革命势不可挡
Anthropic发布《2026年智能体编码趋势报告》，指出编程规则改变，任何人都能成开发者。报告给出8大趋势，如软件开发生命周期剧变、智能体能力提升等，还给出2026年组织需关注的4大领域。