「测试任务」共找到 3326 篇相关文章
全球首个历史基准！普林复旦打造AI历史助手，AI破圈人文学科
普林斯顿大学AI实验室与复旦大学历史学系联手推出全球首个历史领域评测基准HistBench及AI助手HistAgent。HistBench含414道题，能检验AI深度认知能力；HistAgent集成多种工具，在测试中表现优异。
Claude Code 更长更快！Agent能自己管项目了！从 Todo 升级到 Task
上周Claude Code团队更新任务清单系统，从「记事本」升级为「项目管理系统」。因模型能力增强，需求变复杂，原TodoWrite无法满足，新Task系统解决了任务依赖协调问题，支持复杂项目。
华为推出软工代码智能体SWE-Lego，解锁SFT训练极致性能
华为研究团队推出仅基于监督微调（SFT）的软件工程代码智能体SWE-Lego，无需复杂RL流程，在SWE-bench Verified基准中表现出色，项目已开源。它有数据、训练和测试时扩展三大创新。
刚刚，阿里旗舰模型Qwen3-Max-Thinking发布，编程能力“踢馆”Gemini与Claude
阿里发布旗舰模型Qwen3-Max-Thinking，总参数超1万亿，在多项权威基准测试中表现优异，可与顶级闭源模型竞争。千问团队为其引入两项核心创新，提升推理性能，该模型已可免费体验。
全新线性注意力范式！哈工深张正团队提出模长感知线性注意力！显存直降92.3%！
哈工深张正团队联合多团队发布论文，提出 NaLaFormer 框架，解决线性注意力两大核心缺陷，保持线性复杂度同时精度超越，在多任务表现出色，如超分任务显存降 92.3%。
30 小时不眠不休写代码，Claude 4.5 的三个“最佳”
Anthropic发布Claude Sonnet 4.5，宣称其为“世界上最好的编码模型”等。它在测试中表现出色，能力全面提升，价格实惠，开发者测试效果佳。还注重安全，升级开发工具和生态系统。
Pinterest 工程通过运行时感知分片将 Android CI 构建时间缩短了 36%
Pinterest 发布技术案例研究，介绍工程团队通过运行时感知的测试分片策略和内部测试平台，将 Android CI 构建时间缩短超 36%，还对比了其他公司提升 CI 性能的做法。
字节开源"超级AI员工"框架，发布即登GitHub Trending第一！
字节跳动火山引擎开源 DeerFlow 框架，2.0 版本发布即登 GitHub Trending 第一。它是超级智能体 harness，能让 AI 真正执行任务。有 Sub - Agents、Skills 等核心能力，对模型无强绑定，还介绍了使用方法。
怎么做 Long-running Agents，Cursor、Anthropic 给了两种截然不同的思路
业界对让 Agent 长时间运行、执行复杂任务无共识。最近 Cursor 和 Anthropic 分享实践，思路不同。Cursor 用多 Agent 并行执行长时任务，Anthropic 解决单个 Agent 跨工作周期的记忆连续性问题。
砍掉70%内存！陈丹琦团队破解LLM长文本瓶颈
大型语言模型处理长文本时，KV缓存占用内存巨大。陈丹琦团队提出KV足迹作评估标尺，推出分块驱逐与PruLong训练技术，在128K长文本任务中最高降低70%内存，性能损失仅10%。