「代码能力评测」共找到 4920 篇相关文章
文库 GenFlow2.0，这个特性让我大吃一惊
作者作为创业者和 Agent 重度用户，分享了使用文库 GenFlow2.0 的体验。它是全球首个全端通用 Agent，支持多 Agent 并行工作，过程可干预，整合多维生态，交付形态接近专业生产工具，还支持 MCP 协议开放能力。
软件行业“快时尚化”背后的经济学 ｜ AGIX PM Notes
本周市场对软件看法悲观，OpenAI CEO 警告软件或进入‘快时尚时代’。但软件行业会升维，一是从‘死’变‘活’，具备元学习能力；二是定价更极致。还介绍了本周市场总结及多起 AI 相关企业动态。
工具增强的多模态LLM综述
多模态大语言模型（如GPT - 4V）虽有强大图文理解能力，但受数据稀缺、复杂任务表现不佳和评估标准不统一限制。论文提出为MLLM集成外部工具，构建全景图，覆盖多维度，还指出挑战与对策。
小红书团队开源dots.ocr：文档解析新王者，性能比肩Gemini！
文档解析领域处理多语言复杂文档需高效能力，传统OCR工具存在不足。小红书HiLab开源多语言文档解析模型dots.ocr，基于1.7B参数视觉语言模型，性能达SOTA，单页PDF处理快，公式识别媲美大模型。
OpenAI o3封王，4比0横扫马斯克Grok 4！全球大模型对抗赛完美收官
Kaggle AI国际象棋锦标赛中，OpenAI o3以4-0横扫Grok 4夺冠，这场比赛也被视为OpenAI与xAI的“代理人战争”。季军战里，Gemini 2.5 Pro击败o4 - mini获铜牌。大赛旨在检验大模型多方面能力。
只提升2个点？我实测Claude 4.1后，发现官方在骗人
官方更新Claude 4.1，作者实测其与Claude4、DeepSeek R1在生成UI设计图、卡片、网页游戏开发等方面的能力。结果显示Claude 4.1进步大，尤其在理解提示词和视觉设计能力上，还能精细修改多文件。
升级版Qwen3开源模型深夜来袭，超越Kimi-K2、DeepSeek-V3
深夜阿里千问推出 Qwen3-235B-A22B-Instruct-2507-FP8 版本。新模型通用能力显著提升，在多测评中表现出色，超 Kimi-K2 等模型。还增强多语言知识覆盖等性能，已在魔搭和 HuggingFace 开源。
4000万样本炼出AI读心术，刷新七榜SOTA，最强「人类偏好感应器」开源
Skywork-Reward-V2全新发布，构建超高质量千万级人类偏好样本，刷新七大评测基准SOTA。8款模型覆盖6亿至80亿参数，小体积也能媲美大模型性能。团队引入多样大规模真实人类偏好数据，提升数据规模与质量。
新模型亦是新 Agent，Kimi-Researcher 超大量一手实测！
2025 年被称为“Agent 元年”，月之暗面发布了端到端强化学习训练的新一代 Agent 模型 Kimi - Researcher，其基座是自研新模型。文章对其进行大量实测，与 OpenAI 等对比，并探讨了 Deep Research 的重要性及 Kimi 的不足。
合成数据>人工数据，绝对性能暴涨超10个点！仅需任务定义，高效微调大模型
为解决基础模型在专业领域表现不佳、依赖人工标注数据的难题，北大、MIT等机构提出「合成数据强化学习」框架。该框架仅需任务定义，能生成合成数据微调模型，在多领域基准上性能提升显著，代码已开源。