「评估工程」共找到 1392 篇相关文章
怎么回事？刚被OpenAI收购，Windsurf就发了个自己的模型
5月初，刚被OpenAI收购的Windsurf发布AI编程模型SWE - 1，该模型针对软件工程全流程，核心是流动感知，实现人机自然交接。它有三个系列，已上线可免费使用，开发灵感源于编辑器，在评估和实测中表现良好。
谷歌Jeff Dean和多位图灵奖得主合著论文，全面剖析了AI
谷歌Jeff Dean和图灵奖得主John Hennessy等联合发布报告《塑造AI对数十亿人的影响》，拒绝AI极端观点，选择务实。报告剖析打破“饭碗焦虑”、重塑教育医疗等内容，Laude研究所也开展实战评估项目。
HumanSense：探索多模态推理边界，打造「察言观色会共情」的全模态交互伙伴
蚂蚁集团与西安交通大学联合提出并开源 HumanSense，含评估基准与推理模型。通过细粒度评测、全模态消融等研究，提出优化策略，项目已在 GitHub 和 HuggingFace 开源，推动 AI 交互体验革新。
Python新版本去GIL刷屏，Karpathy 点赞敢死队，Python 之父：冷静，别神话并发
Python 3.14 正式发布，将“去 GIL”写进官方发行版，带来自由线程支持等能力，预估性能提升 3% - 5%。开发者看好，Karpathy 点赞，但 Python 之父认为去除 GIL 重要性被高估，强调工程常识。
OpenAI联合创始人Greg Brockman：对话黄仁勋、预言GPT-6、我们正处在一个算法瓶颈回归的时代
OpenAI联合创始人Greg Brockman在AI.Engineer对话分享，还与黄仁勋连线。他回顾经历，从数学梦到编程，在Stripe、OpenAI发展。谈及多方面看法，如创造动机、工程研究关系、AI未来，指出算法瓶颈重回关键。
打破大模型编程「数据污染」与「能力虚胖」困境，Meituan-M17团队构建新一代AI编程评测新标准——OIBench
当前大语言模型编程能力评估体系问题多，如评测集饱和、数据泄漏等。Meituan - M17团队推出OIBench数据集，对18个主流大模型评测，揭示模型真实水平，还将举办人机协作编程竞赛。
33.5k星星爆火！这个开源插件让AI不再写屎山，token自然就省下来了
Ponytail是开源插件，将资深工程师工程直觉整理成skill规则，供Claude Code等AI coding agent加载。它让AI开发更克制，减少代码量、成本，提升速度，核心是强制AI做复杂度判断。
文生图进入R1时代：港中文MMLab发布T2I-R1，让AI绘画“先推理再下笔”
港中文MMLab团队发布首个基于强化学习的推理增强文生图模型T2I - R1。它提出双层级CoT推理框架和BiCoT - GRPO强化学习方法，解决生成评估难题，为多模态生成提供新范式。
Anthropic "泄露"Claude Mythos 最强模型到底有多猛？
Fortune爆出Anthropic因CMS配置失误，致新模型Claude Mythos信息泄露。该模型有阶跃式进步，在多领域表现超前代，网络安全能力突出。此事反映AI迭代快但安全待提升，安全成模型评估关键。
Vibe Coding 何必只在桌面 IDE，多端智能体协同的思考与设计
依托下一代开源 AutoDev 架构，在 AutoDev 多平台预览版中实现了 Server 与 Android 的架构一体化与协同。Vibe Coding 可按自然语言提示生成代码，现阶段能完成 80% 功能，但跨越剩下 20% 挑战需团队工程化落地。