「编程基准测试」共找到 2946 篇相关文章
Cursor自研新模型反超Opus 4.6，价格还“打一折”！网友实测：只有它写完应用能一次跑通
Cursor发布第二代编程大模型Composer 2.0，在关键编程基准测试上反超Claude旗舰模型Opus 4.6，价格还“打一折”。网友实测其写完应用能一次跑通，效率和成本优势明显。但Cursor面临代码编辑器地位下降的危机，正积极自救。
The Batch: 944 | Llama 之后的时代
Meta发布首个AI模型Muse Spark，是多模态推理模型，在部分健康和多模态测试领先，编程与智能体任务有不足。Meta披露技术细节少，该模型基准测试有竞争力，但其从开放转向封闭引开发者担忧。
AI能否独立开展科研？ASI-Bench为科学自主性建立评测标尺
ASI-Bench是衡量AI系统科学自主性的基准测试，由多机构联合开发。它能测试AI通用智能、创新性和执行力，通过信息梯度设计，让模型在不同指导量下完成科研任务，结果显示当前AI离自主科研有明显距离。
国内首套：港中文团队发布7模态人体动作数据集，揭开大模型理解能力短板
港中文邢国良教授团队博士生蒋思阳完成 CUHK-X 多模态人体动作数据集，成果被 ACM MobiSys 2026 接收。用其测试主流大模型，发现理解人类动作平均正确率仅四成。该数据集数据收集方法反常规，还开展了基准测试。
Anthropic更新了Skill Creator，评测框架上线
Anthropic更新Skill Creator，上线评测框架。该框架无需写代码，能处理两类技能测试需求，可测试和改进技能，有捕获质量回归等用途。还增加基准模式、多Agent支持等，能让技能触发更可靠，更新已在Claude.ai等可用。
普林斯顿团队领衔发布最强开源数学定理证明模型：32B性能大幅超越前代SOTA DeepSeek 671B
近日，普林斯顿大学牵头多机构推出开源数学定理证明模型 Goedel-Prover-V2。其 32B 旗舰模型在多基准测试超 DeepSeek-Prover-V2-671B，8B 小模型特定基准性能与之持平。该模型有三项关键创新，团队已公开模型及数据集。
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。
Github持续上榜，这款 AI 自动渗透项目真有点东西！
传统渗透测试依赖人工，效率不高。开源项目PentAGI将‘AI Agent + 渗透测试’结合，能自动完成渗透测试任务，有自主决策能力，功能特性丰富，安装使用较方便，虽有局限但值得尝试。
一个CLAUDE.md霸榜GitHub第一！蒸馏自Karpathy，6万码农抄作业
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。
抖音+Claude Code=？马斯克都要转发的产品！一句话，就能做一个中国风福尔摩斯游戏！
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。