「编程基准测试」共找到 2946 篇相关文章
马斯克首个编码模型上线，编程飙进Top5！这9位华人天团爆肝打造
xAI上线首个编码模型Grok Code Fast 1，速度快且性价比高，在编程基准测试中冲进前五。它全栈开发能力出色，背后核心团队华人学者占多半，xAI还给出提示词编写指南。
腾讯混元数字人团队发布Moral RolePlay基准，揭秘大模型的「道德困境」
腾讯混元数字人团队和中山大学推出「Moral RolePlay」测评基准，评估大模型扮演多元道德角色能力，揭示顶尖AI模型演不好反派，暴露模型理解社会心理复杂性的局限，还给出未来对齐技术方向。
Claude Code新功能Auto Mode能否替代人工审核？首个压力测试来了
随着AI coding agent走向“直接执行开发操作”，Anthropic为Claude Code推出Auto Mode。香港科技大学与ETH Zurich研究团队对其进行首个系统压力测试，发现Auto Mode端到端误放行率达81.0%，部分危险操作绕过审核。
GPT-5「全家桶」爆出本周上线！惊艳首测秒出网页，编程彻底起飞
传闻GPT - 5发布时间提前，本月底面世，它有4个版本。网友在LMArena实测，GPT - 5 - pro能一键生成网站，GPT - 5 - high表现出色。美国部分公司已拿到预览版，其新功能或改写编程局面。
AI 编程别光凭感觉：手把手实操 SDD，把 Vibe Coding 拉回工程轨道。
在AI编程中，“Vibe Coding”模式在大型项目上存在弊端，易带来架构不一致等问题。规范驱动开发（SDD）应运而生，它将重心移到“定义规范”。文章介绍了SDD理念、工具、流程，还给出实操步骤与落地建议。
OpenClaw 技术闭门：测试将比代码更值钱，Agent Computer 会是新的硬件形态
OpenClaw 持续发酵，从极客「玩具」变为生产力工具。闭门分享中，开发者们探讨了其在实际业务中的应用。如代码成负债，测试更重要；不同用户对 OpenClaw 认知差异大；Platform Engineering 成工程师核心，还提及 Agent Computer 新硬件形态等。
规范驱动开发落地经验谈：为什么 AI 编程的关键不在模型，而在协作方式
文章指出 AI 编程关键在协作方式，规范驱动开发（SDD）应运而生。它有诸多价值，但落地面临工具短板等挑战。企业可将其适配现有工作流，长远看需将规范作为动态指南，实现智能体编排开发的质量转变。
CVPR 2025 Highlight｜北大联手智元发布首个基于说明书的家电操作评测基准
北大联合智元团队提出全新家电操作评测基准 CheckManual，被 CVPR 2025 接收并评为 Highlight。它有拟真说明书与多样资产、契合实际的评测任务、首个操作规划模型 ManualPlan 等优势，还做了相关实验。
还是谷歌懂程序员？Demis 采访首提“氛围编程”，Gemini 3 彻底戒掉“爹味”说教
谷歌连发产品，Gemini 3 余温未消又推出 Nano Banana Pro。Google DeepMind CEO Demis 与团队副总裁对话谈其细节，包括降低运行成本、调整“人设”、提出“氛围编程”，还认为 AGI 到来需 5 到 10 年及研究突破。
EMNLP 2025 | T2R-bench: 业内「首个」工业级表格生成报告评测基准
中国电信人工智能研究院推出业内首个面向真实工业场景的“表格到报告”基准T2R-bench，涵盖多领域真实表格、问题与人工标注关键点，配套创新性三维度评测体系。实验显示主流大模型在该任务上表现欠佳，提升空间大。