「代码评估」共找到 2293 篇相关文章
LLM长文本内卷，谁是真英雄？告别跑分玄学，我们需要一把“公道秤”
OpenNLG Group做了统一长上下文评估框架LOOM - Scope，兼容主流benchmark、model和长上下文加速方法。该框架围绕BENCHMARK、DEPLOYMENT和EVALUATOR三大核心模块，还提出LOOM - Bench应对评估成本制约。
ACL 2025 Oral | 你的模型评测搭子上线：Evaluation Agent懂你更懂AI
上海人工智能实验室与新加坡南洋理工大学合作研发 Evaluation Agent，它能按需评估视觉生成模型，有可定制、高效率等优势。框架分提案和执行两阶段，评估结果佳，未来将拓展功能。
爆火！几天狂揽5万星，这个神器让AI一次砍掉54%屎山代码
最近开源项目Ponytail爆火，几天揽5万星。它将老程序员‘偷懒智慧’系统化喂给AI，让AI编码代理思考，使代码量直降54%，最高砍到94%，成本和时间同步下降，还保持100%安全。
CVPR 2025 | 多模态统一学习新范式来了，数据、模型、代码全部开源
中国人民大学、清华和腾讯合作的CVPR 2025论文指出，当前多模态学习范式有缺陷。为此提出新范式，构建AV - UIE数据集、Crab框架，实现任务互助，在多任务上超垂类专家模型，数据、模型、代码开源。
伯克利最强代码Agent屠榜SWE-Bench！用Scaling RL打造，配方全公开
开源软件工程模型DeepSWE横空出世，基于Qwen3 - 32B，仅用强化学习训练，以59%准确率刷新SOTA。它采用rLLM框架、R2E - Gym环境，用改良GRPO++算法，还介绍了评估策略及训练挑战的解决办法。
谷歌发布Nano Banana官方保姆级开发教程，代码给你喂到嘴边
谷歌为Nano Banana新模型发布官方保姆级开发教程。介绍了使用Google AI Studio免费测试方法，阐述环境准备，如获取API key、设置结算账户、安装Gen AI SDK，还展示代码实战，以及和模型沟通的技巧。
Code Review 将死于 2026 年
Latent Space 客座文章称人类写代码死于 2025 年，Code Review 将死于 2026 年。高 AI 采用率团队产出暴涨但审查拖后腿，AI 审代码也不可靠。作者提出范式转变及五层信任体系。
Anthropic偷偷在Claude Code中植入了隐形代码，只为识别中国用户。
近期Claude大面积封号，国内用户几乎被封完。Reddit大佬逆向Claude Code发现，其会静默读取本地信息，通过操作系统时区和环境变量识别中国用户，用隐写术传输标记数据，引发开发者不满。
无需CUDA代码给H100加速33%-50%，Flash Attention作者新作火了
Flash Attention、Mamba作者之一Tri Dao与普林斯顿博士生提出QuACK库，用Python写，无需CUDA C++。在H100上比优化库快33%-50%，吸引英伟达、PyTorch团队关注。还给出优化torch.compile建议。
程序员从此不再写代码！红杉专访Codex团队，o3白菜价真相曝光
红杉专访OpenAI Codex团队，揭示AI编程未来。Codex从代码补全演化为智能体，强调委托心态，开发者从动手转向审核。还爆料OpenAI内部有递归自我改进的AI Alice。