「代码评估」共找到 2341 篇相关文章
全面评估多模态模型视频OCR能力，Gemini 准确率仅73.7%
MME - VideoOCR团队评估多模态大模型（MLLM）视频OCR能力。构建精细任务体系和高质量数据集，评测18个主流MLLM。即便如Gemini - 2.5 Pro，准确率仅73.7%，暴露出MLLM在视频OCR领域能力局限。
蚂蚁C2LLM：基于注意力池化的代码检索新范式
在Code RAG场景中，传统文本Embedding模型处理代码表现欠佳。蚂蚁集团与上海交通大学联合发布C2LLM系列模型，引入注意池化模块，在MTEB - Code榜单表现出色，还得益于优质训练流程，成果已回馈社区。
李飞飞World Labs最新判断：AI写完代码，下一步是「写世界」？
这篇来自 World Labs 的博客探讨了 AI 参与空间创作和现实世界任务时的通用接口，认为是 3D 。它像代码一样可结构化表达，还分析了神经图形学、模拟引擎的作用，并介绍了相关项目。
生产级Prompt自动化推理评估A/B实验结果的工程实践
本文围绕生产级Prompt自动化推理评估A/B实验结果展开，介绍系统背景与痛点，展示主Prompt和决策树，用deepseek - r1等模型推理。通过分析Bad Cases优化Prompt，总结设计原则和迭代方法，还给出通用启示与展望。
盘点2025年全球宕机事件，还有不用AI写代码的公司吗？
2025年Cloudflare、AWS等轮番宕机，“连坐”半个互联网。AI编程全面普及，虽提高效率，但可能让宕机更易发生、难提前发现。宕机最爱发生在变更后，AI编程使改动频繁，还让人类理解系统比例下降。
看一眼代码就中毒？Clawdbot惊现隐形越狱，AI工具变黑客
Clawdbot多次改名仍火爆，斩获10万GitHub星标。它适应性强，低配置硬件也能运行，可用于多种应用。但它自主性强，能自我完善、赚钱，也带来安全风险，如隐形越狱植入恶意代码。
剪映也能用代码自动剪辑？这个开源工具是怎么做到的
本文介绍了获4300+Star的开源项目jianying-editor-skill，它可通过生成剪映原生草稿，让代码操控剪映完成自动化剪辑，解决视频创作手动效率低的痛点，分析其技术实现、核心能力与局限
当 Agent 会自动上传你的代码库，开源为什么更重要了
本文结合近期闭源Agent私自上传用户代码等隐私事件，探讨Agent深度融入办公后，用户数据资产的归属与迁移问题，分析开源Agent的安全优势，介绍有道开源LobsterAI的产品实践与商业模式。
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。