搜索：编程能力评估

「编程能力评估」共找到 4430 篇相关文章

字节对 AI Coding 的理解，够深刻。

今年 AI Coding 赛道火热，国内外纷纷布局。字节跳动技术副总裁洪定坤在分享中阐述了字节对 AI 编程的理解，字节此前推出原生 AI IDE：TRAE。编程门槛因 AI 降低，未来有望贯穿软件开发全周期。

MLA-Trust 是首个针对 GUI 环境下多模态大模型智能体的可信度评测框架，构建了涵盖四核心维度的评估体系，对 13 个模型深度评估，揭示可信度风险，还提供评估工具箱，推动其可靠部署。

一个名为CLAUDE.md的Markdown配置文件冲爆GitHub，本周新增44,465颗星，总星数61.6k，连续三天Trending日榜第一。它源自Karpathy对LLM编程陷阱的观察，含四条规矩，能约束AI编程Agent。

Loopit被称为‘AI编程版的抖音’，用户说句话就能做互动内容，如解谜游戏等。它让编程像拍视频一样成消费品，有创作和社区，结合抖音轻量与游戏互动感，粘性更高。

腾讯在WAIC 2025推出具身智能Tarios平台，它模块化提供能力，集成腾讯软件能力。腾讯重申“三不原则”，与众多厂商合作。该平台核心含模型算法与云服务，能为厂商补齐软件能力。

文章是 Gemini 2.5 技术报告阅读笔记。介绍其成功点有多模态、LongContext、思考能力；还阐述模型结构、训练和数据情况，以及代码、事实性、长上下文等特定能力的提升，最后提到基于其构建的智能体。

多模态大模型训练常采用‘题海战术’，存在能力诊断不精准、视觉内容缺乏扩展等问题。北大和山大团队提出DPE框架，通过‘诊断-生成-强化’闭环提升模型能力，实验效果显著，还强调训练应具备诊断能力。

这篇来自Rutgers大学和UNC Charlotte的survey，首次系统梳理Agent技能的进化与评估全貌，覆盖19种技能进化方法和10个评估基准。指出当前评估体系有诸多不足，如无法追踪技能多轮反馈后是否变好等。

博主黄益贺称其AI分析师比多数人类分析师厉害。以分析ChatGPT Atlas为例，展示其深度思考、调研和分析能力。还介绍了用Claude Skills做的AI分析师能力包升级，提升了深度思考能力。

Agentic AI 兴起使 Agent Evaluation 成热点。评估 Agent 与 LLM 有本质区别，Agent Evaluation 要考察系统在动态环境实现目标的综合表现，传统 LLM 评估方法无法沿用。业界涌现 GAIA 等相关工作，评估范式也在不断演进。