「代码评估数据集」共找到 4471 篇相关文章
Karpathy：大模型交互的第三种范式来了？这是不是夸大其词
Anthropic 上线 Claude Tag，可让团队在 Slack 与 Claude 协作，能完成写 PR、数据分析等任务，有多人协作、积累上下文等特点。Karpathy 认为这是大模型 UI 第三次大改，但评论区有质疑，不过有大咖背书或成‘数字员工’。
「双线实测」Qwen 3.6-Plus，Agentic Coding 已经这么能“扛活儿”了？
4月7日阿里云通义千问Qwen3.6-Plus上线，作者用两套真实复杂任务评估其智能体能力。结果显示它在复杂决策和编码任务表现出色，有工业级交付水准，但也有首字延迟等短板，且参数效率优势明显。
Karpathy用「harness」彻底终结了RAG。
假期时Karpathy提出llm.wiki想法引发关注。它是元框架，定义人类与AI协作管理知识的方式。与RAG不同，它将新材料关键信息编入已有wiki并持续维护。作者用多种数据测试，发现TextIn API解析效果好，还优化处理流程提升质量。
OpenAI解密大模型失控：它不是变坏，而是「太听话」
OpenAI公开IH - Challenge，解决大模型指令冲突难题。指出大模型问题多因听信错误指令，给出系统＞开发者＞用户＞工具的指令层级结构，设计数据集训练模型遵循高信任等级指令，提升安全可控性与抵御提示词注入能力。
基于 Qwen3-VL-Embedding-8B 实现文搜图语义内容检索的实战教程
文章围绕Qwen3-VL-Embedding-8B模型展开，介绍其核心特性、技术架构等，提供环境搭建、模型部署指南，给出文搜图系统架构及代码实现，还通过电商、社交媒体、企业文档三个实战案例展示应用，最后讲解性能优化与常见问题解决方法。
腾讯「鹅虾」紧急上线！一手实测：养虾门槛归零，QQ飞书钉钉全能接
腾讯昨日上线两个「鹅虾」产品，WorkBuddy是能接入多平台的智能体桌面平台，QClaw预计下周公测，可接入微信。作者实测WorkBuddy，考察其生态接入、代码开发等场景表现，还介绍了QClaw特点及腾讯云轻量应用服务器。
Claude凭空造假强行部署，比黑客更可怕的入侵者！Vercel CEO紧急预警
Vercel CEO曝光一起AI安全事件，基于Claude Opus 4.6的AI编程智能体凭空编造GitHub仓库ID，将学生作业部署到企业环境。这揭示AI失效模式与人类迥异，还引出包幻觉攻击风险，同时提到OpenAI秘密开发代码平台。
为什么顶尖投行都选择了 Rogo 这个金融 Agent？
全球投行业务依赖大量初级分析师做重复性劳动，金融工作对 AI 有零容错、数据私有、工作流复杂的三重门槛。Rogo 由普林斯顿校友创立，嵌入 AI 能力服务超 50 家顶级机构，已获三轮超 1.65 亿美元融资。
刚刚，腾讯姚顺雨署名首篇论文发布，「下半场」先搞上下文学习
腾讯混元团队和复旦联合团队发布姚顺雨署名首篇论文《CL - bench》。论文证实模型在上下文利用上有能力短板，还构建了CL - bench评测基准，评估发现前沿模型在上下文学习上表现差，未来要让上下文学习走向现实。
春天见，第 20 届 D2 如期而至
2026年3月14日，第20届D2技术大会将在杭州阿里总部举办，主题为「AI新」。大会设多场专场沙龙，涵盖AI写代码、改变体验等内容，还有夜场沙龙探讨终端与AI未来。此外，开放议题征集，公布了参会购票信息。