「基准表发现」共找到 1887 篇相关文章
一举击败Claude Code！微软提出代码生成黑科技：一键直出36K行代码
现有方法依赖自然语言规划生成仓库易失效，微软提出Repository Planning Graph (RPG)，以图谱替代文字规划。基于此的ZeroRepo框架能让仓库生成可控、可扩、可验证，在新基准RepoCraft上表现远超Claude Code。
谁是最强“打工AI”？OpenAI亲自测试，结果第一不是自己
OpenAI发布新研究，提出GDPval基准衡量AI模型在有经济价值任务上的表现。Claude Opus 4.1表现最佳，GPT - 5次之。OpenAI开源优质子集并提供自动评分服务，还指出了GDPval的局限。
NIPS2025 | A-Mem让Agent拥有动态自我记忆功能，达到新SoTA
近年来，LLM代理需长期内存系统，但现有系统缺乏灵活性。论文提出A - Mem能动内存系统，受Zettelkasten启发，能让记忆‘自我整理’和‘自我更新’，在多基准测试领先，也指出了局限性和未来方向。
Claude Code 里那些奇奇怪怪的词是什么？
作者用Claude Code调查其处理任务时冒出怪词的原因，发现这些词存于`UK5`对象，有88个动词 -ing 形式，硬编码在客户端。词中有常规、怪词、造词、俚语等，增添幽默。
OpenAI新Agent遭中国24人初创团队碾压！实测成本、质量全输惨，海外用户：中国Agent代差领先
昨日凌晨，OpenAI推出ChatGPT Agent新功能，标志其踏入“智能体人工智能”领域。虽官方称该功能性能先进，但实际效果有局限。海外网友对比发现，它被中国24人初创团队产品Genspark等碾压。
蓝湖悄咪咪在海外做了个 AI 设计产品，4 个月拿下 500w ARR
特工宇宙团队试用多款AI界面生成工具，发现多数距真实开发落地有差距。4月注意到Readdy.ai，操作简单、界面精致。其开发团队是蓝湖，上线4个月ARR达500万美元，解决用户真实问题。
codex降智大bug找到了，一句话让它把智商找回来！
近日Codex被降智，网友监测其智商曲线下降。L站大佬发现大bug及解法，在全局agents.md加特定语句，可让它大幅恢复智商。测试显示，加语句后正确率提升，降智概率降低。
AAAI 2026｜视频大语言模型到底可不可信？23款主流模型全面测评来了
合肥工业大学与清华大学团队推出视频大语言模型综合可信度评测基准 Trust-videoLLMs，对 23 款模型从五维度 30 项任务评测，揭示性能格局，指出模型现存问题，还开源评测框架等。
OpenAI终于快要上市了，也直面了这23个灵魂拷问。
OpenAI宣布完成重组，非营利主体更名，营利公司OpenAI Group PBC接纳新股东，有了发行股票和IPO资格。随后进行1小时直播，提到AGI加速科学发现，还开展首次Q&A，回应诸多热点问题。
外卖公司也能搞AI？
昨天凌晨美团悄悄开源560B参数的MoE大模型LongCat-Flash-Chat，引发国外网友疑惑。该模型推理速度超100 tokens/秒，基准测试表现出色，多项设计解决实际问题，贴合美团业务需求。