「编程基准」共找到 1887 篇相关文章
OpenAI发布GPT‑6 Astra：百万级上下文，主攻编程和复杂办公
9月3日，OpenAI发布GPT - 6 Astra，重点提升电脑操作、软件开发和复杂工作处理能力。它有诸多更新，如电脑操作提速、支持异步工具调用等，但也存在监测难、价格高的问题，实际效果待验证。
从Vibe Coding到Wish Coding，AI编程迎来C端拐点
近期Vibe Coding刷屏，虽提升编码效率，但未降低交付门槛。蚂蚁灵光App升级，以Wish Coding重构软件生产关系，实现从想法到应用的闭环，虽有粗糙之处，但打开普通人创造应用新可能。
The Batch: 929 | Qwen3.5 超越更大模型，领跑视觉基准测试
阿里巴巴发布 Qwen3.5 系列，含 8 个开源权重的视觉 - 语言模型。其小模型表现超大体量 OpenAI 开源权重模型，在视觉任务中整体出色，部分在语言任务也有竞争力。虽团队有人员离职，但阿里承诺加大 AI 投入。
BeyondSWE：AI编程80分是真的强，还是考卷太简单？
前沿模型在SWE - bench Verified测试中得分超80%，但该测试像开卷填空。中国人民大学提出BeyondSWE重新设计评测，规模是前者18倍，模型得分全跌破45%。还提出SearchSWE框架，结果显示搜索与编码能力融合待提升。
多 AI 协同 + SDD 编程实践：一个 AI 全流程交付实录
2025 年以来 AI Coding 技术发展迅速，但在复杂业务场景中存在诸多问题。文章基于 SDD 范式，构建由 Claude Code、CodeX 与 Gemini 协同驱动的工作流，介绍 SDD 理念、技术选型，详述多模型协作机制、工作流程与保障机制，分享实践步骤。
多模态幻觉的病因「高熵节点」找到了！全基准幻觉率下降
多模态大推理模型的幻觉常出现在生成转折词时，此时模型处于高熵关键节点，易脱离图像证据。研究者提出LEAD，高熵时保留候选推理方向，注入视觉锚点拉回证据，实验显示它能跨领域提升模型性能。
好看不等于会交互！阿里发布基于交互的世界模型基准
阿里等联合推出 Omni - WorldBench 评估框架，指出多数高颜值 AI 视频在物理规律和交互逻辑上有缺陷。该框架含提示词套件和量化评估框架，对 18 款模型测评，为 4D 世界模型研发指明方向。
ACP 协议 + 多 AI 编程智能体：企业研发的新生产力平台
文章围绕 ACP 协议展开，介绍其概念、工作原理及在 AutoDev 的集成实践。还提及 ACP 生态、多 Agent 协作实践，如 Augment Intent、Google Antigravity。最后阐述企业级 AI 平台治理体系，包括 MCP、ACP、A2A 三层协议协同价值。
Claude封锁中国，腾讯带着国产AI编程工具CodeBuddy来了
Claude封锁中国背景下，国产代码模型加速发力。腾讯CodeBuddy上线，其IDE和CLI有新特性。InfoQ采访团队，探讨定位、技术等思考，国产模型与工具、生态形成“模型—工具—生态”链路。
两周反转：Anthropic「闪电」夺回被Cursor挖走的核心编程大将
本月初 Anthropic Claude Code 两位负责人被 Cursor 开发商挖走，两周后又被聘回。Anthropic 虽烧钱但赚钱能力变强，投资人愿超千亿美元估值投资。Claude Code 增长快，而 Cursor 更新引不满，用户外流。