「代码评估数据集」共找到 4416 篇相关文章
北大团队让AI学会考古！全球首个古希腊陶罐3D视觉问答数据集发布，还配了专用模型
北大团队推出全球首个面向古希腊陶罐的3D视觉问答数据集VaseVQA - 3D，配套专用视觉语言模型VaseVLM。传统模型面对文化遗产复杂对象有不足，新数据集和模型让AI迈向‘文化考古Agent’，未来将拓展到更多领域。
AI 已能写 80% 代码，但 Agent 也有致命短板！OpenAI Codex 技术总监：问错了，比不会写更麻烦
OpenAI Codex 技术负责人 Michael Bolin 在访谈中回顾职业轨迹，分享从工程师到工具创造者的成长经历。他认为 AI 编程时代 80%-90% 代码可由模型生成，但关键部分需人类把控，提出正确问题能力更重要，编程智能体执行将更多迁移到云端。
刚刚，大模型棋王诞生！40轮血战，OpenAI o3豪夺第一，人类大师地位不保？
国际象棋积分赛成果出炉，OpenAI o3以人类等效Elo 1685分夺冠，Grok 4和Gemini 2.5 Pro紧随其后。Kaggle发布国际象棋文本排行榜，评估模型战略推理等能力，还推出相关数据集，虽有局限但意义重大。
全自研仿真GPU求解器x虚实对标物理测量工厂，打造具身合成数据SuperApp，加速具身仿真生态丨光轮智能@MEET2026
在量子位MEET2026大会上，光轮智能杨海波指出具身智能核心是数据，仿真是解决数据问题的唯一方案。光轮智能自研“测量、生成、求解”基础设施，建立全栈仿真平台，还打造多个“爆品应用”，为具身智能发展提供支撑。
Gemini 2.5 Pro 是怎么炼成的？-- gemini 2.5 技术报告阅读笔记与思考
文章是 Gemini 2.5 技术报告阅读笔记。介绍其成功点有多模态、LongContext、思考能力；还阐述模型结构、训练和数据情况，以及代码、事实性、长上下文等特定能力的提升，最后提到基于其构建的智能体。
GPT-5仅23.3%，全球AI集体挂科！地狱级编程考试，夺金神话破灭
最新基准测试SWE-Bench Pro评估AI编程智能体，直面真实企业级工程任务。顶尖模型几乎溃败，GPT - 5仅23.3%。该测试解决现有基准数据污染、任务简单问题，能成未来LLM编码能力标尺。
LinearRAG：一种免关系提取的高效 GraphRAG 图构建方法
研究指出 GraphRAG 模型在实际应用中表现常不如朴素 RAG 方法，原因是自动构建的知识图谱质量不佳。为此提出 LinearRAG 框架，有三大核心创新，在四大基准数据集上全面超越现有方法，代码和数据已开源。
告别碎片化日志：一套方案采集所有主流 AI 编程工具
在AI编程工具普及的当下，有效采集和分析AI代码生成数据成重要课题。该文介绍一套基于MCP架构的多AI工具代码采集方案，支持多种工具和操作系统，有轻量化、用户无感等特点，已和Aone合作。
颜水成领衔，给AI分段位！超100款多模态模型，无人达到L5
十所顶尖高校联合发布General - Level评估框架和General - Bench基准数据集，用五级分类制明确多模态通才模型能力标准。评估超100款模型，发现多数在L2 - L3，无L5模型，揭示当前模型不足。
阿里开源Qwen3-Coder-Next，80B参数仅激活3B的MoE顶尖编程助手
阿里开源小型MoE代码模型Qwen3 - Coder - Next，总参数量800亿但仅激活30亿参数，在代码生成等任务表现出色。团队构建训练技术栈解决数据匮乏，模型训练分阶段，多领域专家模型能力整合，基准测试性能强劲。