「Coding 基准测试」共找到 2875 篇相关文章
Google 团队一年都没做出来的项目 Claude Code 一小时就把代码写出来了
Google首席工程师称团队一年没搞定的分布式Agent编排系统，Claude Code一小时生成代码。但后续有澄清，AI是基于人一年探索成果生成‘玩具版本’。还分析了工作价值、瓶颈转移等，指出AI时代个体和小团队机会。
Claude Code 火爆被玩坏后，刚刚Anthropic 索性掀桌子：推出非编程版 Claude Cowork
继Claude Code被用户广泛应用于多领域后，Claude推出非编程版Cowork，向macOS应用Claude Max订阅用户开放。它能处理非编码工作，自主性强，但也存在潜在风险，当前为研究预览版。
Claude Code 的创始人揭秘工作流程：开 5 个智能体“玩编程游戏”，不看的程序员就落后了？
Anthropic公司Claude Code创始人Boris Cherny在社交平台分享工作流程，引发行业关注。他并行运行5个Claude智能体编程，用最大最慢模型Opus 4.5，还解决AI“健忘症”，实现重复性任务自动化。
Anthropic 为 Claude Code 添加了沙箱和 Web 访问功能，以实现更安全的 AI 驱动编码
Anthropic为Claude Code发布沙箱功能及基于Web的工具版本，解决编码安全风险。沙箱有文件系统和网络隔离两个边界，能减少权限提示、增强保护，还解决了传统安全系统的限制。
马斯克发布 Grok 4 模型：推理能力较前代提升 10 倍，各学科测试接近满分
xAI 发布 Grok 4 及 Grok 4 Heavy 模型，推理能力较前代提升 10 倍，多测试接近满分。马斯克称其为世界最好 AI。它在多方面表现出色，如长任务能力强、推理效率佳等，但代码能力欠佳，且付费昂贵。后续还将推多款模型。
1.9万行 Claude Code“AI垃圾”杀入 Node.js：全球顶流开源项目，快守不住了
2026 年 1 月，Node.js 技术指导委员会成员 Matteo Collina 用 Claude Code 生成近 1.9 万行代码提交 PR，引发争议。长期贡献者 Fedor Indutny 质疑其不符合 DCO 1.1 条款，而 Collina 认为自己担责，且开源生态已认可 AI 辅助贡献。
谢赛宁团队新基准让LLM集体自闭，DeepSeek R1、Gemini 2.5 Pro都是零分
纽约大学等8家机构研究者提出LiveCodeBench Pro竞技编程基准测试，评估了Gemini 2.5 Pro等前沿大模型。发现当前模型有显著不足，在无外部工具时，高难度题通过率为0，LLM与人类大师级水平差距明显。
GLM-5.2真正的跨越：CritPt密闭物理数据集测试得分20.9%，打平Opus-4.8
GLM - 5.2在CritPt密闭物理数据集测试中表现亮眼，与Claude Opus 4.8得分并列，远超其他开源模型，还击败多款闭源模型，实现4.5倍代际飞跃，标志开源模型科学推理能力进步。
Jina Code Embeddings: 为高质量代码搜索而生的0.5B/1.5B向量模型
本文介绍了 Jina AI 开源的代码向量模型 `jina-code-embeddings`，含 0.5B 和 1.5B 规模，有 GGUF 量化版本。它性能顶尖，支持多任务与 15 种语言，还介绍了训练方案、使用方法等。
打穿 AI 智商测试！GPT-6 Astra 的符号世界模型，是突破还是钞能力刷分？
OpenAI的GPT-6 Astra亮相，在ARC - AGI - 3测试成绩逼近100%，远超GPT - 5.6 Sol。它生成的符号世界模型被认为是AI迈向高级推理必经之路。不过出题人指出其靠Harness加持，离AGI还远。