「SWE - Bench Pro」共找到 574 篇相关文章
编程能力开源SOTA，网络安全提升2倍！智谱发布GLM-5.3
智谱发布GLM-5.3，743B参数模型，编程能力达开源SOTA。网络安全能力涌现，基准得分是GLM-5.2两倍多。全部提升来自后训练缩放，还自研Z.ai Code Bench评估，安全评估加固后权重将开源。
突发，打工版Claude 5来了！人人都能用
Anthropic推出Claude Sonnet 5，代号Fennec。它性能直逼旗舰Opus 4.8，即日起成所有Free和Pro用户默认模型，能自主规划等。价格有促销，虽tokenizer或使花销增加，但仍比Opus划算，防护能力也强。
告别人工干预！KDD Cup 2026 Data Agents 赛道：定义下一代数据智能体能力边界
KDD Cup 2026 发布 Data Agents for Complex Data Analysis 赛道，由香港科技大学（广州）和清华大学联合承办。旨在推动 AI 告别人工干预，具备自主任务分解等能力，还推出 DataAgent - Bench 测试平台，有丰厚奖励，公布关键时间节点。
OpenClaw逼出Claude最强反击！GUI操控电脑和真人无差别，网友：这得花多少token？
Claude Code升级Computer Use能力精准反击OpenClaw，基于GUI操作，像真人操控电脑。升级后无需API或CLI改造，能操控传统软件，还上线远程控制、定时任务功能，有安全分层设计。已向Claude Pro和Max用户开放。
OpenClaw 背后核心框架 Pi：好的 Coding Agent 应该让用户来决定需要什么
OpenClaw 背后核心框架 Pi 是极简框架，系统提示词和工具定义不到 1000 tokens。开发者 Mario 认为好的 coding agent 应让用户决定需求。Pi 不支持 MCP 等，在 Terminal Bench 2.0 排名靠前，GitHub 星数超 24000。
华尔街彻夜难眠！Gemini 3屠榜金融「最难考试」，AI砸了「金饭碗」？
被誉为「黄金职业通行证」的CFA考试被AI攻陷，推理模型不仅全部通过三级考试，部分科目接近满分。如Gemini 3.0 Pro在一级考试创97.6%最高纪录。不过AI仍有局限，还不能完全替代分析师。
还是谷歌懂程序员？Demis 采访首提“氛围编程”，Gemini 3 彻底戒掉“爹味”说教
谷歌连发产品，Gemini 3 余温未消又推出 Nano Banana Pro。Google DeepMind CEO Demis 与团队副总裁对话谈其细节，包括降低运行成本、调整“人设”、提出“氛围编程”，还认为 AGI 到来需 5 到 10 年及研究突破。
OpenAI发布GPT-5.1 Codex Max，编程能力比Gemini 3更强、更持久
为换回注意力，OpenAI紧急发布GPT - 5.1 Codex Max。它在编程测试中表现优于Gemini 3 Pro，还实现24小时项目级开发。引入自动压缩与扩展推理改进，效率提升，现已多途径可用，API访问将开放。
AI看不到的爱心，成了最棒的AI检测器。
作者以漂浮爱心图检测AI，Gemini 2.5 Pro、GPT - 5等模型均失败。又用噪点鹿视频测试，AI准确率为0%。原因是AI是空间王者、时间瞎子，无“共同命运法则”视觉系统，存在时间盲视。
Tool-Integrated RL 会是 Agents 应用突破 「基模能力限制」 的关键吗？
文章聚焦AI & Robotics业内要事，探讨Tool - Integrated RL能否助Agents突破「基模能力限制」，还涉及Copilots填产业落地鸿沟、生成式AI重塑软件开发等话题，完整版通讯含多项解读与要事速递。