「编程评测」共找到 1708 篇相关文章
JEPA、空间智能路线正面交锋：WorldArena 2.0 挑战赛开考「能不能被机器人真正用起来」| IROS 2026
本文报道了清华团队联合海内外多校推出的WorldArena 2.0世界模型评测挑战赛，升级评测体系覆盖从视频生成到真实机器人操作全维度，公布各赛道结果，并对话主办方解读行业现状与评测设计。
Claude Code凭什么牛？大模型团队天天用自家产品，发现bug直接就改了
Claude Code虽有争议，但很成功，4个月用户达11.5万。Claude Code负责人透露构建细节，如产品理念、评估标准、反馈机制等，还阐述编程领域变化、模型与工具共同进化等内容。
Auto Research最后一块拼图，Frontier-Eng Bench登场，在工程闭环里死磕最优
Einsia AI旗下Navers Lab论文Frontier - Eng推出新评测范式Generative Optimization，搭硬核评测系统，覆盖47个横跨5大工程方向的任务。评测多种模型，结果显示gpt 5.4最稳健，但距资深工程师水平尚远。
一夜200万阅读，OpenAI神同步！这项测评框架让全球顶尖LLM全翻车
中国团队领衔全球24所高校机构发布评测LLMs for Science能力的论文，一夜阅读近200万，同一时间OpenAI也发文指出现有评测标准在AI for Science领域失灵。论文推出评测体系SDE，发现主流大模型在科学发现上短板明显。
Cursor发布Composer 2：专攻代码的模型，价格只有GPT-5的零头
Cursor本周发布自研编程模型Composer 2，只攻代码生成。其得分提升，超Claude Opus 4.6，接近GPT - 5.4 Thinking。训练基于代码数据，处理复杂编程任务准确度高，价格远低于竞品。这是Cursor全栈布局，欲掌握AI编程主动权。
这几个开源项目火起来啦，抓紧收藏哟起来！！！
本文介绍三个热门开源项目。KnowNote 是本地优先的 AI 知识笔记工具，是 Google NotebookLM 开源替代方案；Remotion 让开发者用 React 技术栈制作视频；Superpowers 可让 AI 编程助手升级为智能开发伙伴。
Claude Opus 4.5来了：谷歌把Anthropic逼到了墙角
上周谷歌发布Gemini 3 Pro表现惊艳，今日Anthropic推出Claude Opus 4.5应对。其编程能力强，SWE - bench Verified首超80%，且降价66%。还推出产品更新，开发者可按需选模型。
刚刚，OpenAI发布自主编码代理Codex，程序员的工作将被彻底颠覆？
OpenAI发布自主编码代理Codex，它能独立完成编程任务。与其他工具不同，它是面向任务的，允许并行工作。虽经强化学习微调，代码有“品味”，但有局限，如后续请求处理不佳，未完全集成工程环境。
AI Code赛道跑出一匹黑马：字节Doubao-Seed-Code
字节发布面向Agentic Coding任务优化的编程模型Doubao - Seed - Code。它在代码能力、生态兼容性、价格上优势明显，在实际案例中表现出色，其训练体系独特，为开发者提供高性价比选择。
Cursor一夜翻车，AI 300万代码写浏览器被打假！全网群嘲「AI泔水」
Cursor宣称GPT - 5.2连肝7天造出浏览器，但开发者发现其代码无法编译，是缺乏工程逻辑的“AI泔水”。这一行为激怒开发者，也揭示AI编程需明确分工，未来软件开发靠“开挂工程师”带领AI。