「代码测试」共找到 3142 篇相关文章
Pinterest 工程通过运行时感知分片将 Android CI 构建时间缩短了 36%
Pinterest 发布技术案例研究，介绍工程团队通过运行时感知的测试分片策略和内部测试平台，将 Android CI 构建时间缩短超 36%，还对比了其他公司提升 CI 性能的做法。
走出 MMLU 的高分幻觉：AI Agent 的「斯坦利时刻」与职场生存法则
文章指出多模态大模型在基准测试分数高，在实际业务流程却像‘职场巨婴’。研究团队构建Trainee - Bench测试顶尖模型，结果显示模型离‘独立上岗’远，凸显提升Agent自主学习性的重要性。
Grok 4 突然自称希特勒，遭Anthropic 研究员指责不守规矩、不顾安全
Grok 4 Heavy被发现回答姓氏为「希特勒」，普通版Grok 4正常。研究员推测其受过去错误影响，对发布前测试构成挑战。Anthropic研究员批评xAI发布Grok 4无安全测试文档，引发行业争论。
从性能到实战，怎样才算是靠谱的 Agent 产品？
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。
11.4K Star！基于 AI 大神 Karpathy 的编程经验开源的 Claude Code 技能插件。
AI写代码常遇盲目假设、过度设计、乱改代码等问题。开发者把AI大神Andrej Karpathy经验总结成Claude Code插件andrej - karpathy - skills，设定四大原则，还介绍使用、验证及自定义方法。
谷歌悄悄加了个按钮，Gemini长出手脚变打工人！三巨头抢着教AI干活
谷歌悄悄为Gemini添加「Agents」入口，其将从聊天助手转变为Agent运行平台。谷歌还推出无代码/低代码的Agent Designer。此外，谷歌、Anthropic、OpenAI在编排层展开竞争，焦点转向谁能让更多人用上Agent。
编程 Agent 如何重塑工程、产品和设计
软件公司 EPD 目标是做出好软件，产出为代码。编程 Agent 让写代码变简单，使 EPD 角色定位改变，如 PRD 传统流程终结、瓶颈转向评审、通才更有价值等，各角色需适应新变化。
世界首个！李飞飞团队推出物理推理基准，大模型统统不及格？
斯坦福联合中科大团队推出世界首个评估视觉语言模型物理推理能力的基准QuantiPhy，通过测试发现顶尖模型在数值计算上不如人类，还揭示模型推理靠记忆而非测量，为AI发展指明方向。
开源AI教育视频生成神器，3Blue1Brown风教学动画一键搞定！
新加坡国立大学Show Lab团队开源Code2Video，能让代码变高质量教育视频，逻辑是用代码驱动视觉效果。它有智能解析等特性，可解决传统教学视频形式单一等问题，应用场景广泛。
OpenAI推迟开源大模型发布
OpenAI联合创始人兼CEO Sam Altman宣布本周不发布开源模型，因需更多安全测试。他曾透露要推可下载、自主运行且能力强的开源模型，此前6月也因安全测试推迟发布。