「代码评估」共找到 2293 篇相关文章
视频模型假装在推理？MME-CoF新基准评估12个推理维度
视频生成模型如Veo - 3能生成逼真视频，但推理能力存疑。香港中文大学等校研究者设计12项测试，发现模型只能模仿表面模式，未真正理解因果。研究推出MME - CoF基准，为评估指明方向。
媲美Claude 4，支持100万上下文！阿里开源超强代码AI Agent模型
阿里巴巴开源超强AI Agent模型Qwen3 - Coder - 480B - A35B - Instruct，测试分数媲美Claude Sonnet 4，超越DeepSeek。它参数多、支持大上下文窗口，训练数据优质，还进行代码强化学习扩展训练等，有对应命令行工具。
用AI，写代码只会更慢！但一定更「快乐」
METR研究实测发现，GPT等AI编程工具让顶尖程序员写代码平均慢19%，效率不升反降。开发者本预计提效24%，体验后仍觉快20%。研究还分析变慢原因，提醒勿高估AI编程能力。
Kimi新模型拿下代码开源SOTA，仅仅72B，发布即开源
深夜，Kimi发布新开源代码模型Kimi - Dev，在SWE - bench Verified上以60.4%成绩获开源SOTA。参数量72B，编程水平强。采用MIT协议，权重和代码已发布。官方透露了部分关键技术，更多细节待后续报告。
微信测试中心刷新业界标准，斩获 ICCV 图像质量评估挑战赛冠军
微信测试中心IH-VQA团队在ICCV 2025 MIPI赛事夺冠，其首创的iDetex方案刷新业界标准。该方案能精准定位图像失真，提升评估可解释性，已在微信多业务落地，未来将深耕多模态质量评价等领域。
1600代码造出水下曼哈顿， Fable 5让Karpathy看呆了
Fable 5重新上线，Arena.ai的Gostev用其生成63个3D世界，多数一次成型，连Karpathy都直呼没想到。1600行代码就能撑起水下曼哈顿，还能将世界名画变成可穿行的3D世界，但游戏是其弱项。
设计师的 ChatGPT 时刻：Figma 这次把“设计即代码”玩成现实
文章介绍了AI编程产品分类，指出Vibe Coding存在的问题。重点讲述Figma在2025 Config发布Vibe Coding产品Figma Make，其可从设计稿生成网页，有编辑工具精准迭代等功能，还推出可视化低代码建设工具Figma Site。
大模型刷数学题竟有害？CMU评估20+模型指出训练陷阱
CMU团队评估20多个大模型，发现只有强化学习（RL）训练的模型能将数学推理技能广泛迁移到其他任务，监督微调（SFT）训练的模型迁移有限甚至无迁移。研究还探索差异原因，表明RL微调更具优势。
Anthropic 估值 3800 亿，增长营销只有 1 个人，还不会写代码
Anthropic估值3800亿美元，增长营销团队仅一人。该负责人用Claude Code搭建自动化工作流，完成传统团队多人的活。不止营销部门，其他部门也用它提效，反映OPC趋势。
编程进入「对讲机」时代！Claude抢发语音写代码，转录Token全免费
Anthropic给Claude Code加语音模式，输入 /voice，长按空格说话即可输入，转录Token全免。OpenAI的Codex也更新类似功能。语音编程在Debug、架构讨论等场景好用，但识别变量名等仍有短板，未来编程将多模态。