「真实工作任务」共找到 582 篇相关文章
云栖大会演讲实录：Qoder 产品背后的思考与未来发展
这是云栖大会上关于 Qoder 产品的演讲实录。Qoder 是阿里推出的 Agentic 编程平台，上线一月收获数十万用户。介绍了 AI Coding 三阶段，阐述 Qoder 定位、功能模式、技术优势，展望 AI Coding 未来。
GPT-5仅23.3%，全球AI集体挂科！地狱级编程考试，夺金神话破灭
最新基准测试SWE-Bench Pro评估AI编程智能体，直面真实企业级工程任务。顶尖模型几乎溃败，GPT - 5仅23.3%。该测试解决现有基准数据污染、任务简单问题，能成未来LLM编码能力标尺。
从数据分布视角，重新认识下CoT
本文从数据分布视角重新审视大语言模型的思维链（CoT）推理。指出CoT并非真正推理，而是模仿，其效果受训练与测试分布差异影响。通过实验揭示CoT在分布偏移时性能退化，提醒勿过度依赖。
十万个人类，在这个AI小镇里做赛博上帝。
港科大研发的Aivilization（AI小镇）是容纳十万AI智能体的虚拟世界，玩家能创造AI小人并像上帝般指令观察。游戏画风治愈，但大家拼命卷，还呈现了如现实般的赚钱玩法及不同生活态度。
训练数据爆减至1/1200！清华&生数发布国产视频具身基座模型，高效泛化复杂物理操作达SOTA水平
清华大学与生数科技联合研发Vidar模型，首次让通用视频大模型长出‘手脚’，实现从虚拟到真实世界物理执行的跨越。它降低数据门槛，突破跨本体泛化困境，为服务机器人应用奠定基础。
大模型转行土木工程！首个「打灰人」评估基准：检验读、改工程图纸能力
首个工程自动化任务评估基准DrafterBench，可测试大模型在土木工程图纸修改任务中的表现。它模拟真实工程命令，考察模型四方面能力。评测发现主流大模型有一定能力，但未达工程一线要求。
打破大模型编程「数据污染」与「能力虚胖」困境，Meituan-M17团队构建新一代AI编程评测新标准——OIBench
当前大语言模型编程能力评估体系问题多，如评测集饱和、数据泄漏等。Meituan - M17团队推出OIBench数据集，对18个主流大模型评测，揭示模型真实水平，还将举办人机协作编程竞赛。
谷歌Gemini 4全面开火：API限时半价、缓存直降95%，自建仿真教会机器人连中7球
本文报道谷歌发布新一代旗舰大模型Gemini 4 Argon，详解其性能升级、定价优惠、多领域落地成果与安全优化，对比了它与OpenAI、Anthropic旗舰模型的评测成绩，展示大模型落地真实场景的最新进展。
实测 Seedance 2.5 vs 可灵 3.0，谁能让我们无痛当上视频导演？
本文通过两大真实创作测试场景，对比Seedance 2.5与可灵VIDEO 3.0两款热门AI视频模型的表现，分析二者在画面表现、分镜执行、合规风控上的差异，为创作者提供选型参考。
AI一天写4.4万行代码却没合并，程序员：AI Coding 真正的瓶颈来了
本文分享腾讯AI原生研发的真实案例，指出AI Coding产能提升后，最大瓶颈已非模型能力，而是现有研发治理体系与人的注意力适配问题，同时预告2026奇点智能技术大会的行业实践分享。