「编程能力评估」共找到 4430 篇相关文章
DeepSeek-V4蓄势待发！梁文锋署名论文或开启第二个DeepSeek时刻
据报道，DeepSeek将于2月发布新一代旗舰模型DeepSeek V4，其编程能力或超Claude和GPT系列。最新论文提出Engram条件记忆机制，分离死记硬背与逻辑推理，揭示新稀疏性分配定律。
一文搞懂 Agents 评测丨Anthropic 最新万字长文
传统模型评测方法难评估 Agent 系统，Anthropic 摸索出有效评测设计方法。文章介绍评测结构、意义、方法，涵盖编程、对话等 Agent 评测，还给出打造评测路线图及与其他方法结合的建议。
CrowdStrike联手Meta发布AI安全基准，让AI在真实网络攻击中证明自己
美国网络安全巨头CrowdStrike与Meta在Fal.Con 2025大会联合推出开源基准测试套件CyberSOCEval，旨在评估AI大语言模型在真实SOC环境下的网络安全能力，它源于Meta之前框架，开源供全球开发者使用。
AI视觉创作总差点意思？中科大等综述500+篇文献，系统分析生成一致性
中国科学技术大学等多机构研究者发表综述，梳理超500篇论文，揭示扩散模型视觉内容合成“一致性危机”，介绍三类一致性关系、加强位置、评估问题，指出未来模型需具备冲突感知等能力。
再见，程序员！马斯克宣判：奇点就在2026
马斯克断言2026年是奇点之年，起因是Claude Code强大的编程能力引发关注。Claude Opus 4.5表现优异，碾压其他模型。奇点来临，人们工作方式将改变，AI或使软件开发自动化。
Jina官方MCP三板斧：搜、读、筛
Jina官方发布MCP服务器，将核心能力封装成LLM工具集。介绍工具功能、连接使用方法，给出问题排查方案，通过案例展示搭建工作流效果，评估不同模型，指出Agent瓶颈及MCP开放生态价值。
AI 太烧钱！微软选择「倒戈」DeepSeek
微软宣布Copilot Cowork全球上线并引入按使用量计费机制，还评估引入DeepSeek V4。Agent普及使AI成本问题凸显，微软进行系统性重构，构建质量保障体系，成本工程化能力成竞争新焦点。
一个跑智能体，一个专门找漏洞：Google发布Gemini 3.8双版本
9月2日，Google发布Gemini 3.8 Flash和Gemini 3.8 Flash Cyber。前者用于编程等，已稳定上线；后者专用于发现修复漏洞，仅向特定方开放。二者共享基础能力，采用不同安全限制和部署环境。
从「记忆解题」到「深度推理」：港科大推出首个本科数学动态评测基准 UGMathBench
港科大团队发表在 ICLR 2025 的研究 UGMathBench，是首个本科数学动态评测体系。它涵盖 16 个学科领域，通过变量扰动创建多版本试题，引入创新指标评估模型推理能力，测试结果揭示了当前模型短板。
Qwen3.6-Max-Preview来了！
继Qwen3.6 - Plus发布，推出Qwen3.6 - Max - Preview预览版，相比前者有更强世界知识、指令遵循能力，智能体编程表现显著提升。可在Qwen Studio交互，也将通过阿里云百炼API调用。