搜索：编程能力评估

「编程能力评估」共找到 4430 篇相关文章

当国产模型追上闭源旗舰，企业 AI 编程的真正障碍才浮出水面

过去企业AI Coding讨论多集中在模型能力等方面，DeepSeek V4出现缓解了模型问题，但更深层的代码库业务隐知识等问题浮现。合规限制使企业工具建设受阻，V4打破了模型供应瓶颈，可组织知识管理仍成难题。

阿里国际AI团队提出CIGEval，这是基于多模态大模型驱动的图像生成评估智能体框架。它集成多功能工具箱，通过任务拆解与工具调度提升评估准确性与可解释性，已在ComfyUI - Copilot上线。

现有视觉语言大模型（VLM）能让机器人理解指令，但在操作中缺三维空间知识。近日研究提出 RAM 框架，它像“三维物体知识库”，为 VLM 补充空间知识，经 14 项实验验证其操作能力，还探索了在铰接与柔性物体操作中的应用。

文章聚焦构建私有AI Coding平台，对比Pi、DeepSeek Harness、Codex Harness的架构、扩展能力及选型策略。介绍三者交互集成方式，分析其扩展特点，并为不同需求团队给出选择建议。

Cursor 2.0版本重大升级，发布自研编码模型Composer，速度是同等模型4倍。还重构IDE交互逻辑，支持多智能体模式，引入语音模式等。早期测试和开发者反馈其速度快，但智能程度与部分模型有差距。

CodeGraph是开源本地代码知识图谱工具，提前为项目建索引，组织代码信息，让Agent直接查询。能减少token消耗与工具调用、提高响应速度，数据本地保存，还具备多语言支持等特点。

2025年Cloudflare、AWS等轮番宕机，“连坐”半个互联网。AI编程全面普及，虽提高效率，但可能让宕机更易发生、难提前发现。宕机最爱发生在变更后，AI编程使改动频繁，还让人类理解系统比例下降。

红杉中国团队提出AI基准测试工具Xbench，其双轨测评体系不再单纯执着于测评问题难度，重点量化AI系统在真实场景的效用价值，还构建长青评估机制，以确保评估结果的时效性和相关性。

作者熬夜带来 Kimi K2 模型详测及 CC+K2 邪修教程。K2 是 1T 参数量的 MoE 开源模型，基准测试成绩优异，在代码、Agent、数学推理任务表现突出，前端能力强，还能驱动 Claude Code，成本低。

该项目解决学术演示两核心问题，用智能体PaperTalker生成视频，还设Paper2Video基准评估。介绍了PaperTalker使用步骤，含环境、配置、推理，也说明了Paper2Video评估指标及运行方法。