「代码修复评测」共找到 2319 篇相关文章
15个前沿大模型，100个职业场景：谁才是最强AI打工人？
通义千问与港中文联合发布OccuBench，用语言世界模型评测AI Agent职业能力。评测15个前沿模型，发现无全能选手，隐式故障难处理，Scaling定律有效，做Agent和环境模拟器能力不同，还给出具体案例。
AI 编程带来的新变革
作者分享在 Amazon Bedrock 用 AI 智能体写代码的项目经验，指出人与智能体协作使代码产出率大幅提升，但也带来 Bug 增多、CICD 管线阻塞、沟通成本增加等挑战，需重新思考软件开发方式。
AI驱动前端重构：10天完成3000+行复杂组件的跨端复用实践
本文分享阿里团队实践，用AI开发工具Cursor结合Claude模型，10天重构超3000行前端组件实现跨端复用。介绍代码辅助、测试用例生产、代码智能生产经验，提出新开发范式，强调规范和人工校验重要性。
顶尖AI竟输给三岁宝宝，BabyVision测试暴露多模态模型硬伤
UniPat AI 等发布多模态理解评测集 BabyVision，测试显示多模态大模型纯视觉能力仅达三岁幼儿水平。其通过对比实验、细分任务评测，揭示模型系统性缺基础视觉能力，还给出新方向及发展建议。
AI Agent搞定世纪首次菲尔兹奖成果形式化！一周时间独立完成，20万行代码已公开
Math公司的AI Gauss用5天完成原本需6个月的菲尔兹奖级数学成果形式化证明，一周搞定24维情形，还修正原论文错误。其创始人是xAI联合创始人Christian Szegedy，代码已公开。
最强多模态模型也拿不到30分？DeepImageSearch定义相册搜索新范式，开启个人视觉记忆的深度搜索时代
人大窦志成教授团队联合OPPO研究院提出DeepImageSearch图像检索新范式，将其从“逐张语义匹配”推向“语料库级上下文推理”。团队构建评测基准DISBench，用ImageSeeker框架评测主流模型，结果显示最强模型单次完美解决查询比例不超三成。
突然，被GLM-4.7的Coding交付能力惊到了
国内大模型圈因智谱启动A股上市而兴奋时，GLM系列再展“卷王”姿态，本月开源旗舰GLM - 4.7。它从代码大模型变为任务交付引擎，实测在多场景表现出色，能理解复杂意图、交付高质量代码。
Stripe x Cursor，硅谷两代“金童”对谈: 未来5年IDE里将不再是代码
本文是 Cursor CEO Michael Truell 和 Stripe CEO Patrick Collison 的深度对谈，讨论了 Stripe 的技术实践、编程的未来。如 LLM 会改变 IDE，未来编程更重需求描述；还提到 Stripe 的技术选型、API 重写计划等。
实测字节扣子空间：AI 播客比真人丝滑，Agent 能打 80% 的工
本文对字节跳动旗下 Agent「扣子空间」进行实测。它上线新玩法一键生成播客，相比通用 Agent 能力更丰富。此外，它还具备搜图、深度分析、写代码、开发网站等功能，兼具通用能力与低代码开发特点。
腾讯版Claude Design来了：多人实时同屏审设计稿，一键转代码直通IDE
腾讯公测AI设计智能体平台Ardot，有一句话生成可编辑UI设计稿、Figma文件零成本导入、一键转代码直通IDE、多人在线评审等功能。它能提升前期出稿效率，支持局部精准微调，适配主流IDE。