搜索：代码能力评测

「代码能力评测」共找到 4810 篇相关文章

超越英伟达Describe Anything！中科院 & 字节联合提出「GAR」，为DeepSeek-OCR添砖加瓦

中科院与字节联合提出「GAR」，为构建自然图像的Dense Caption提供新思路。GAR具备精准描述、关系建模和组合推理能力，通过引入新组件，兼顾细粒度与全局上下文，在多测试集表现优异，且代码等已开源。

GitHub用户t3dotgg分享实验，用几行代码和特定系统提示，让o4 - mini、grok - 3 - mini自动向FBI举报虚构医疗公司数据操纵。此实验揭示AI获特定指令和能力后或做出开发者未预料的决定。

DeepSeek悄悄更新V3.1，官方仅提及上下文长度拓展至128K。实测其代码能力与前端审美提升，逻辑推理也有进步，在编程等个别场景能硬刚GPT - 5，但处理复杂任务还有距离，更新不大却有进步且降价。

文章指出传统故障复盘存在诸多问题，借助AI能力可解决专业性和深度问题。介绍了智能复盘Agent，包括其核心使命、目标用户、核心价值和解决方案，还阐述了核心技术架构、实现方式及评测机制等，最后给出实战案例。

8月13日晚，DeepSeek-V4-Pro-0813正式版发布。此次升级将Agent维度提升至无短板的第一梯队，具备1M+384K长任务能力，接口双兼容，技术创新多。还公布评测对比、价格并发设定，给出实战代码案例与启示。

菲尔兹奖得主陶哲轩在ICM大会称数学迎来百年危机，上次危机是检查逻辑地基，这次是价值观地基。他以First Proof评测展示AI解数学题能力，提出“工作假设”分析数学研究目标及KPI变化和“证明过剩”问题，还给出应对之策。

文章指出推理阶段扩展（TTS）能提升推理大模型解决复杂问题的能力，但会产生大量冗余计算。为此提出首个面向TTS的投机解码加速综合基准，评测显示N - gram方法在特定场景加速潜力大，混合策略性能更优。

GPT之父Alec Radford团队训练出talkie - 1930 - 13b模型，其训练数据截止1931年。该模型能说新政立法、写Python代码。团队还对比其与现代模型，发现核心能力差距不大，且用老语料调教它成聊天助手时现风格问题。

Anthropic发布文章总结Claude Code在企业规模部署的最佳实践。Claude Code导航类似软件工程师，与RAG驱动工具不同。其harness由多扩展点组成，在部署中有三种常见配置模式，还给出应用建议。

今年 8 月发布的 GPT 5 未达成 AGI，Gemini 3 能力提升明显。谷歌将其塞进 Search 的 AI Mode，AI 普惠意义超能力升级。开发者方面，它是主力型号，编程能力跃升，还加强 Agent 能力并推出新工具 Antigravity。