搜索：编程竞赛基准

「编程竞赛基准」共找到 2037 篇相关文章

满分的「差」，Qwen与复旦等揭示编程智能体奖励设计的结构性困境

Qwen团队与复旦等联合发表论文《The Verification Horizon: No Silver Bullet for Coding Agent Rewards》，指出编码智能体奖励设计存在结构性困境，任何奖励信号只是人类意图的‘替身’，验证需成系统与智能体协同演化，并研究多种验证者。

阿里新出AI开发工具Meoo（秒悟），全程无需写代码，通过说话提需求，1分钟就能生成可上线、可分享、可交互的完整应用。它内置阿里云全家桶，能自动完成云服务环境搭建、数据库配置等，还支持创意社区和多人协作。

Anthropic报告显示，程序员75%任务已被AI覆盖，客服、数据录入等岗位紧随其后。虽目前未造成明显失业潮，但22 - 25岁年轻人入职率降14%。报告预警AI对就业影响是十年‘温水煮青蛙’。

全球开发者先锋大会（GDPS 2025）是具身智能赛事检验场，它将赛场设在真实应用环境，以应用需求为导向推动技术落地。上海以应用和生态赋能推动具身智能产业化，构建产业闭环。

作者用Google新发布的AntiGravity生成海报，其升级增加Nano Banana Pro能力后效果惊人。作者展示了用它生成高保真原型图、用户故事地图、用户旅程地图等案例，还提及更多应用场景及使用建议和限制。

Cursor 2.0正式发布，搭载自研大模型Composer。它30秒完成复杂任务，比同行快400%，每秒生成250个tokens。还带来原生浏览器工具等新功能，基于强化学习，但模型底子透明度遭质疑。

十一假期前，DeepSeek 开源新模型 V3.2 - Exp，深夜 Anthropic 发布 Claude Sonnet 4.5，自称世界最好编码模型，自主编码时长超 30 小时，还带来系列产品升级，在多方面表现优异。

当前RAG系统处理多步逻辑推理任务有局限，蚂蚁集团团队提出DIVER框架解决推理密集型检索难题。它将检索任务分四阶段，在BRIGHT榜单领先，行业对比优势明显，医疗应用效果好。

上海AI Lab的OpenDataLab团队通过大规模实验剖析RLVR在多领域推理机制。构建多领域评估框架与定制奖励策略，基于Qwen2.5 - 7B系列模型联合训练，有多项关键发现，为构建AI推理模型提供参考。

当前大模型在12项核心认知上普遍落后人类10 - 30%，越大的模型越易靠「背答案」糊弄。团队公开首个系统评测框架和题库，用Concept Hacking方法识破模型真假理解，指出模型存在核心知识缺失等问题。