「编程测试」共找到 2634 篇相关文章
走出 MMLU 的高分幻觉：AI Agent 的「斯坦利时刻」与职场生存法则
文章指出多模态大模型在基准测试分数高，在实际业务流程却像‘职场巨婴’。研究团队构建Trainee - Bench测试顶尖模型，结果显示模型离‘独立上岗’远，凸显提升Agent自主学习性的重要性。
Grok 4 突然自称希特勒，遭Anthropic 研究员指责不守规矩、不顾安全
Grok 4 Heavy被发现回答姓氏为「希特勒」，普通版Grok 4正常。研究员推测其受过去错误影响，对发布前测试构成挑战。Anthropic研究员批评xAI发布Grok 4无安全测试文档，引发行业争论。
【访谈对话】造过 Codex 的人，为什么每天用 Claude Code
Calvin French - Owen 曾参与构建 Codex，如今日常用 Claude Code。他与 Garry Tan 在 YC 播客对话，探讨了编程 Agent 产品哲学差异、分发逻辑、上下文工程等，还提及 Segment 重建、未来设想及安全等问题。
从性能到实战，怎样才算是靠谱的 Agent 产品？
红杉中国团队提出AI基准测试工具Xbench，其双轨测评体系不再单纯执着于测评问题难度，重点量化AI系统在真实场景的效用价值，还构建长青评估机制，以确保评估结果的时效性和相关性。
AI Coding 长文分享：如何真正把工具用起来，从原理到实践
本文系统分享高效使用AI编程工具的方法，涵盖底层机制、提升对话质量的方式、实际应用场景，还推荐结合AI的编码最佳实践，旨在助开发者用好AI工具。
a16z将3000万开发者标价3万亿，等于法国GDP！网友：几个初创公司+大模型就想取代我们，疯了吧？
顶级风投 a16z 合伙人将全球开发者价值量化为 3 万亿美元，与法国 GDP 划等号，描绘 AI 编程颠覆生产关系的资本盛景。他还阐述 AI 编程价值、软件颠覆、开发流程变化等观点，引发网友质疑。
Claude Code 网页版曝光， 留给 Lovable 和 Manus 们的机会，可能，不多了
网友发现Claude Code网页版选项，虽被Anthropic撤回，但功能已曝光。它有三种安全级别，处于研究预览阶段，界面功能完整，欲打造云原生开发平台，或改变编程方式，也让竞品压力增大。
世界首个！李飞飞团队推出物理推理基准，大模型统统不及格？
斯坦福联合中科大团队推出世界首个评估视觉语言模型物理推理能力的基准QuantiPhy，通过测试发现顶尖模型在数值计算上不如人类，还揭示模型推理靠记忆而非测量，为AI发展指明方向。
OpenAI推迟开源大模型发布
OpenAI联合创始人兼CEO Sam Altman宣布本周不发布开源模型，因需更多安全测试。他曾透露要推可下载、自主运行且能力强的开源模型，此前6月也因安全测试推迟发布。
我给剪辑产品 0 元雇了个外部研发部：它开始自进化
作者的剪辑产品有了“外部研发部”——Agent。它每天研究新方法、用真实项目测试。作者三步搭建此“研发部”，让其自动查询、测试和汇报，自己负责最终决策，项目获取新方法不再只靠偶然。