「代码修复评测」共找到 2319 篇相关文章
具身大满贯还全开源！原力灵机DM0.5登顶RoboDojo，且clone且珍惜
原力灵机的DM0.5登顶具身评测RoboDojo，在记忆维度表现突出，还在其他权威评测中成绩优异。它有强泛化能力，在多场景表现佳。其从数据、架构、效率全面升级，且全面开源，赋能具身生态。
对话AutoCoder宿文：做5000万程序员的AI IDE，不如做10亿软件消费者的Vibe Coding
2025年AI Coding赛道火热，大厂纷纷布局。AutoCoder创始人宿文认为不应与大厂卷辅助编程，要走出差异化，做面向10亿软件消费者的Vibe Coding。团队迭代代码模型，产品数据表现佳，还分享了创业、产品、市场等多方面看法。
Kotlin Multiplatform 评估：跨平台开发中的优势与权衡
文章评估了 Kotlin Multiplatform（KMP）在跨平台开发中的优劣势。KMP 可共享代码，编译成原生代码获出色性能，保留原生 UI 选项。虽生态小、有学习曲线等问题，但 Netflix 等大公司已用，未来潜力大。
程序员的提示工程实战手册
文章围绕程序员如何利用提示工程让AI编程助手成为可靠开发伙伴展开。介绍给AI代码助手的提示词技巧、高效代码提示原则，还阐述调试、重构、实现新功能的提示模式，指出常见反模式及应对方法。
游戏研发中的 AI 转型：网易多 Agent 系统与知识工程实践
本文整理自网易游戏高级技术经理林香鑫分享，其团队通过代码知识谱图构建、多 agent RAG 召回等技术打造超级助手，在多业务场景落地效果好。还介绍知识工程、多 Agent 赋能代码编写、AI 审查等实践及未来展望。
ICML2025 | 揭示MLLM的图文联动推理能力
当前多模态大语言模型（MLLMs）在图文深度融合推理能力上面临挑战，现有评测基准无法真正检验该能力。EMMA基准应运而生，它从四大领域精选题目，采用双重过滤机制和细粒度标注体系，评测发现MLLMs存在多模态推理危机。
TRAE Work 上线 Design 模式：产品经理还需要 Figma 吗？
TRAE Work 上线 Design 模式，可将一句话描述变成可编辑设计稿，还能将设计稿转代码，在同一平台完成从需求到代码的链路。作者测试后发现其效率大幅提升，并分析了该模式与其他工具的区别及 AI 设计趋势。
同一个模型，换套框架成绩差27%：SWE-bench分数到底谁说了算？
编程Agent评测是笔糊涂账，SWE - bench虽成事实标准，但分数不适合直接横向比较。基元律动等机构发布Claw - SWE - Bench基准，将模型、harness和任务集拆分，通过实验揭示harness对成绩影响大，还解决通用Agent评测问题，推出低成本Lite版。
6 天、96 万行 Rust、直接合并？Claude Code 被 Bun 的内存泄漏拖垮后，Bun 让 Claude 亲手重写了自己
2026 年 5 月，Bun 创始人 Jarred Sumner 宣布将合并 Rust 重写版本，终结 Zig 版。此次迁移仅用六天，涉及 96 万行代码。此前，Bun 内存泄漏影响 Claude Code，促使 Anthropic 让 Claude 重写 Bun。不过，AI 重写也引发对代码质量和流程的争议。
R-HORIZON：长程推理时代来临，复旦NLP&美团LongCat重磅发布LRMs能力边界探测新范式
复旦大学与美团LongCat Team联合推出R - HORIZON，它是首个系统性评估与增强LRMs长链推理能力的方法与基准。提出Query Composition方法构建评测基准和训练数据，评测发现主流模型长链推理性能断崖式下降，还分析出三大瓶颈，训练后模型性能双重提升。