「Coding 基准测试」共找到 2875 篇相关文章
超越Claude 3.5和o1！8B模型靠「分层投票+测试时训练」逆袭
近日MIT研究者发现测试时训练在大模型应对复杂推理问题时，能分解任务提升回答准确率。8B的lemma3模型经此方法，在ARC和BBH数据集上性能显著提升，超Claude 3.5等。但该策略部署效率低。
Karpathy盛赞DeepSeek-OCR“淘汰”tokenizer！实测如何用Claude Code 让新模型跑在N卡上
DeepSeek发布新模型DeepSeek - OCR，在实用场景达SOTA且token消耗最少。Karpathy赞其或淘汰tokenizer，Pleiasfr联合创始人称是里程碑。开发者Simon用Claude Code让模型在NVIDIA Spark上跑通。
AI Coding 之后，如何让 Agent 进入企业研发全链路？得物推荐的 Harness 实践
得物资深技术专家白忠魏在AICon大会分享实践。团队目标是将AI Coding扩展为全链路方法，介绍了PDCA循环、全链路前提、七阶段护栏等探索，还提及用知识体系和混合Agent架构解决问题，已有阶段性成果。
Karpathy盛赞DeepSeek-OCR“淘汰”tokenizer！实测如何用Claude Code 让新模型跑在N卡上
DeepSeek发布新模型DeepSeek - OCR，有诸多技术贡献，获Karpathy等盛赞。它或让文本token输入方式被淘汰。开发者Simon用Claude Code让其在N卡上运行成功，分享了详细过程与经验。
1美元Token撬动4800美元收益！AI挑战百万美元级基准，最赚钱的Agent出现了
Humanlaya Data Lab等机构构建$OneMillion - Bench评测基准，用经济价值衡量模型。它含400道高难题目，覆盖多领域。目前最强模型能产出约50万美元价值，但离可交付专业任务还有距离。
别被室内基准高分骗了：大模型是在推理空间，还是在「背答案」？
2025年，空间智能成大模型竞争新热点，模型在室内基准上分数飙升。但因训练与测试数据同源，其提升或只是“背答案”。中科院大学等机构发布OSI - Bench重新审视大模型空间能力，评测显示当前提升可能是虚假繁荣。
坚决不用行业标准AGENTS.md，Claude Code惹来“封杀令”：Anthropic终于回应了，但开发者更气了
当所有AI编程工具向行业标准靠拢时，Anthropic的Claude Code拒绝支持AGENTS.md格式，引发Shopify CEO公开威胁。开发者多次要求其支持该格式无果，Anthropic回应未让开发者满意，引发争议升级。
今年最具启发的Claude Code用例：她用cc搭了8个Agent监控自己的生活
文章介绍Molly Cantillon用Claude Code搭建8个并行Agent实例监控生活，涵盖产品运营到睡眠管理等。她21岁辍学创业，其架构新颖，还提出权力关系逆转观点，最后给出使用建议与警告。
前 Codex 大神倒戈实锤！吹爆 Claude Code：编程提速 5 倍，点破 OpenAl 死穴在上下文
前OpenAI工程师、Codex项目早期研发者Calvin French - Owen在播客中锐评代码智能体，他偏爱Claude Code，称其编程提速5倍，优势在上下文拆分能力。他还点出OpenAI与Anthropic产品理念差异，分享上下文管理经验。
代季峰陈天桥联手AGI首秀炸场！最强开源深度研究模型，GAIA测试82.4分超OpenAI
MiroMind ODR是代季峰加盟陈天桥后的技术首秀，GAIA测试82.4分超OpenAI。它全开源可复现，包括MiroFlow、MiroThinker等四个子项目。团队还曾推出MiroMind - M1，专注提升数学推理能力。