「代码修复评测」共找到 2319 篇相关文章
新玩法！Karpathy周末手搓“大模型智囊团”应用：各大LLM同台互评，代码已开源
Andrej Karpathy周末手搓Web应用llm - council，让多个大模型像顾问般提供建议。查询通过OpenRouter分发给多个大模型，它们互评后由‘大模型主席’生成最终回复，代码已开源。
100美元、8000行代码手搓ChatGPT，Karpathy最新开源项目爆火，一夜近5k star
AI大神Andrej Karpathy发布开源项目nanochat，可教你100美元自建ChatGPT，覆盖LLM训练和推理。项目有8000行代码，不到12小时获超4500 star，功能丰富，但他认为它不适合个性化应用。
开源复现o3图像思考！快手让AI不再被动看图，模型自主生成代码调用工具
Kwai Keye团队提出Thyme新范式，构建技术方案，赋予开源模型“超越图像思考”能力。包括设计训练策略、构建开源配套资源，拓展多模态模型工具使用与决策水平，在基准测试中性能提升显著。
从 Copilot 到 通用 Agent ： 阿里在 AI Coding 上的应用和挑战
阿里巴巴代码平台负责人向邦宇在 QCon 大会分享阿里智能研发大模型应用与挑战。介绍探索成果，如代码补全、审查等功能；指出面临用户需求理解、领域知识整合等难题；还提及技术进步带来新机遇，促使从 Copilot 向 Agent 转变。
「世界理解」维度看AI视频生成：Veo3和Sora2水平如何？新基准来了
近年来，T2V模型进展显著，Sora2爆火引发对其是否为‘世界模型’的探讨。传统基准无法系统衡量模型对事件因果等的理解，中山大学等团队提出新评测框架VideoVerse，评测主流模型并发现开源与闭源模型差距及各模型缺陷。
开源版MetaQuery来了！OpenUni用1.1B参数媲美BLIP3-o-8B，数据代码完全开源
南洋理工大学 S-Lab 和商汤科技团队推出开源版 MetaQuery——OpenUni，仅 1.1B 参数达 8B 模型性能，代码、权重、数据全开源。它架构极简、参数高效，还继承了多模态理解能力。
南大团队直击大模型高分神话：人类90分，最强模型仅49分
南京大学傅朝友团队在Google Gemini评测团队邀约下推出视频理解新基准Video - MME - v2。它有创新的分层能力体系与组级非线性评分，经超3300人工时标注。评测显示模型与人类差距大，还揭示传统Acc指标虚高、‘Thinking’并非总增益等现象。
“我一行代码都没读就发布了”，被OpenAI收购后，uv工具创始人开始反思AI编程
Python 开发者工具领域经历革命，Charlie Marsh 打造 Ruff 和 uv 后被 OpenAI 收购。他反思 AI 编程，探讨其对软件工程的重塑，还分享开发、创业经验及应对 AI 挑战的策略。
字节Seed新方法！开源8B代码模型：自己筛数据训练自己，同量级SoTA，还能超越百亿级对手
传统code大模型依赖人工筛选数据，成本高、效率低。而Seed - Coder团队让LLM自己筛选数据训练自己，打造8B参数轻量级开源代码模型，性能超百亿级对手，不过也存在通用和数学能力短板。
168小时AI狂写300万行代码造出浏览器！Cursor公开数百个智能体自主协作方案
Cursor创始人公布实验结果，让数百个AI智能体跑一周，从零造出可用Web浏览器，产出超300万行代码，项目源码已公开。此次实验靠GPT - 5.2 - Codex，还设计了智能体协作架构，引发业界讨论。