「技能评估」共找到 1021 篇相关文章
大模型全员0分！谢赛宁领衔华人团队，最新编程竞赛基准出炉，题目每日更新禁止刷题
谢赛宁等人出题，让o3、Gemini - 2.5 - pro等模型全军覆没。LiveCodeBench Pro是实时基准测试，题库每日更新。此前称LLM编程超人类专家，本次测试并非如此，最好模型难题通过率也为0。
智能体自己出现问题自己找！首次提出“自动化失败归因”课题 | ICML2025 Spotlight
LLM Multi - Agent系统失败诊断难，阻碍迭代优化。宾夕法尼亚州立大学等机构研究者首次提出“自动化失败归因”课题，构建Who&When数据集，开发评估多种归因方法，实验揭示当前方法不足。
谷歌AlphaEvolve引发OpenAI关注：AI原创算法，正挑战人类专家界限
谷歌DeepMind推出的AlphaEvolve系统，结合Gemini模型与进化算法，能自主探索、生成并迭代优化算法代码。它优化经典算法，在多领域取得突破，其原创能力引业界关注，OpenAI研究员对此表示震撼。
具身智能的第四阶段：「造系统」？
进入2026年下半年，业内形成共识：具身智能竞争从单一模型比拼转向系统工程与产业基础设施角逐。鹿明机器人推出具身智能开发与验证平台Lumos Station Lite，提出“产业具身”理念，助力具身智能落地。
谷歌 agent-skills 根治 6 大 AI 编码通病
Chrome团队的Addy Osmani将Google的senior流程写入agent - skills，用24个Markdown文件针对AI编码时Agent常犯的6大错误，写死补救流程，提升Agent编码质量。
Codex自改进Prompt：让AI自己把重复工作变成自动化
开发者Vaibhav更新的Codex自改进Prompt引发AI开发者群体讨论，被OpenAI联合创始人转发。完整版核心逻辑可拆解为8步，加了严格跳过规则。实测有反馈，也有优化建议和现存问题。
Karpathy 最新访谈：Vibe Coding 只是开始，真正重要的是 Agentic Engineering
Andrej Karpathy在访谈中分享编程范式剧变感受，谈到Software 3.0实质，指出AI能力不均，介绍Vibe Coding和Agentic Engineering区别，还提及创业机会、人类技能价值等内容。
LangFlow: 挑战离散扩散，探索下一代语言模型新范式
UIUC Ge Liu团队发布《LangFlow: Continuous Flow Matching for Large Language Models》，回归连续扩散架构。研究指出连续扩散受挫非先天缺陷，经优化，LangFlow让连续扩散在标准基准追平离散扩散，为多模态统一架构打通底层路线。
从金融本位到物理本位，真正的范式转移开始了
过去几十年，人们认为增长可由货币政策调控，但如今瓶颈转移。马斯克描述的闭环体现从“金融本位”到“物理本位”的范式转移，科技巨头已按此逻辑行动，锁定物理资源。
完全取代Claude Code？OpenAI反击来了，推出Codex app「限时免费使用」
OpenAI推出macOS版Codex应用，反击Claude Code。它有全新交互界面，助开发者管理多AI Agents，支持并行任务。限时内，ChatGPT部分用户可免费使用，速率限制有调整，还具备多种新特性。