「代码评估数据集」共找到 4471 篇相关文章
扩散语言模型真的会比自回归好？理论分析结果可能恰恰相反
北京大学和蚂蚁集团研究表明，扩散语言模型虽理论上有并行生成优势，但实践中在某些任务推理成本更高。研究通过实验对比，分析了扩散与自回归模型在不同评估指标下的效率，指出选择模型要视任务需求。
12.1万高难度数学题让模型性能大涨，覆盖FIMO/Putnam等顶级赛事难度，腾讯上海交大出品
腾讯AI Lab与上海交大团队联合推出首个基于自然语言的数学定理证明框架与数据集DeepTheorem。12.1万道高难度数学“特训题”让模型定理证明性能大涨，7B模型性能比肩或超越现有开源和商业模型。
AI收入暴涨！英伟达超过苹果，成为全球市值第二
根据CompaniesMarketCap数据，英伟达公布财报后股价升超4%，一度成全球市值第一。截至5月29日收盘，其市值超苹果，仅比微软少150亿美元。虽此前受DeepSeek冲击，但Q1营收、利润仍创新高，二季度预计乐观。
LightLLM中DeepSeek V3/R1 Two MicroBatch Overlap 实现解析
文章围绕LightLLM中DeepSeek V3/R1的Two MicroBatch Overlap实现展开。介绍了该技术原理，通过拆分推理过程、精心设计执行顺序实现计算与通信重叠。还阐述了数据结构设计、预处理、核心执行流程，以及优化策略和配置启用方式。
Qwen 3-235B Aider编程能力击败Claude3.7，成本便宜百倍
Qwen3-235B-A22B在Aider多语言编码基准初步测试中击败Sonnet 3.7 Thinking和OpenAI o1，成本便宜150到600倍。Qwen3-32B准确率超GPT-4.5和GPT-4o ，代码编辑格式正确率达100%。
清华初创&UIUC学者用7B模型在预测市场上自我蒸馏，跑赢GPT-5.6和Opus 5
UIUC学者联合清华初创团队Astraculum，围绕LLM部署阶段持续学习问题展开研究，提出Social World Model框架，基于预测市场数据测试，经自蒸馏的7B模型击败了GPT-5.6等多款前沿大模型，还搭建了专用MLOps引擎TrajOps。
OpenAI公布首颗自研推理芯片成绩，下一代已进入制造阶段
8月25日，OpenAI公布自研推理芯片Jalapeño性能测试结果，首次给出其在多款公开大模型上的具体数据。该芯片在低功耗下实现高推理吞吐量和低延迟，性能超英伟达芯片，B0版已进入制造阶段。
在腾讯、育碧的做过游戏后，他转身做 AI 原生游戏，一上线就好评如潮
AI 原生游戏「动物去哪儿」基于真实地理数据，让玩家的小动物开启真实旅行，经历随机事件。创始人太一曾在腾讯、育碧任职，受 AI 启发制作此游戏。目前游戏在观猹获 9.1 分，本周五将邀太一直播答疑。
正式版发布！DeepSeek-V4-Pro-0813
8月13日晚，DeepSeek-V4-Pro-0813正式版发布。此次升级将Agent维度提升至无短板的第一梯队，具备1M+384K长任务能力，接口双兼容，技术创新多。还公布评测对比、价格并发设定，给出实战代码案例与启示。
两个小时，10美元，Karpathy做了一个《指环王》3D游戏
Andrej Karpathy 让 Opus 5 根据《指环王》开篇文字，用 Three.js 制作三维场景，成本约 10 美元，两小时写出 5500 行代码。虽效果粗糙但有趣，他设想未来大模型能按需生成虚拟世界，不过也暴露大模型难以检查成果的问题。