搜索：代码能力评测

「代码能力评测」共找到 4810 篇相关文章

打破AI能力的惯性评估方式，红杉中国推出全新双轨基准测试xbench｜甲子光年

红杉中国推出全新AI基准测试工具xbench，采用双轨评估体系，构建多维度测评数据集，追踪模型理论能力上限与Agent实际落地价值。还采用长青评估机制，首期发布两个核心评估集并给出综合排名，公开后邀各界完善。

论文提出交互式在线策略评测框架AMemGym，它能反映AI助手长期记忆能力、驱动Agent自我进化记忆。它以结构化状态演化为骨架支撑自由对话评测，还对主流记忆系统做了扫描，带来评估与训练范式转换。

Meta 人工智能研究院的 DINOv3 是基于自监督学习的视觉大模型，解决诸多问题且无需微调，在多任务表现出色。将其引入 YOLO12 后，在不同规模数据集上检测性能显著提升，还分享训练自定义数据集代码。

近日，清华大学等机构研究团队提出 MARSHAL 框架，利用强化学习让大模型在策略游戏自博弈。实验表明，多轮、多智能体训练提升了模型博弈决策水平，将推理能力泛化到通用多智能体系统，在一般推理任务表现显著提升。

文章借Snowflake分享，探讨数据从业者在AI时代的核心能力。介绍AI从工具到执行者的进化，指出数据叙事成稀缺技能，还给出普通职场人90天AI逆袭路线图，强调人类在决策判断上的不可替代性。

美国机器人公司Figure推出具身大脑Helix 02及家务demo。其搭载的Figure 03在厨房自主完成复杂任务，且实现端到端全身控制。新引入的System 0基于人类数据训练，替代大量手写代码，还展示多种灵巧操作。

TC-Light 是中科院自动化所张兆翔教授团队研发的生成式渲染器，能对长视频序列重渲染，减少 Sim2Real Gap 及实现数据增强。它克服了时序一致性和计算开销挑战，性能优于现有技术，论文与代码已开源。

北大与通义实验室发布ZeroSearch框架，可无需真实搜索激活大语言模型检索能力。它引入大语言模型模拟搜索、采用结构化模板等策略，成本降88%，多项实验显示其性能超越基线与真实搜索方法。

Andrej Karpathy发布项目nanochat，是全栈式ChatGPT克隆体训练/推理流水线，代码约8000行，覆盖训练分词器、预训练等完整流程。介绍不同成本下模型表现，还回答网友关于架构、训练数据等问题。

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。