「Coding 基准测试」共找到 2875 篇相关文章
AI 写代码这么强，为什么还是干不掉飞书多维表格？
有人认为 Vibe Coding 太强威胁飞书多维表格地位，使其独立开放。但作者认为这高估了 Vibe Coding 能力，低估了飞书多维表格复杂度与应用场景。现在 AI Coding 水平离生产级产品差距大。
让你的 ClaudeCode 秒变 Openclaw（龙虾），连接飞书、Discord 远程控制
作者用Vibe Coding开发Agent客户端Codepilot，将Claude Code桌面端功能拓展，支持飞书等IM远程连接等。还开源Claude-to-IM及Claude-to-IM-skill项目，前者适合开发者接入IM远程控制，后者可让Claude Code与IM远程交互。
基于OpenAPI和AI coding的上云智能体构建实践
文章介绍基于OpenAPI和AI coding构建上云智能体的实践。分析不同编程范式，结合AI coding发展与Multi - Agent问题，阐述构建方案，包括业务场景、构建方法、技术实现、当前效果及后续展望，还提及文档智能与RAG构建LLM知识库。
并购激励金都不要了？全程踩中AI Coding，Windsurf核心工程师离开DeepMind
AI Coding 赛道核心工程师 Ronak Malde 离开 Google DeepMind，还放下后续经济激励。他曾参与 Codeium、Windsurf 相关项目，在 DeepMind 推进 Agentic Coding 研究。离职之际他总结心得，下一站备受关注。
7.3K Star！用 Orca 组建 AI 舰队：让 Claude Code 和 Codex 同时开工！
Claude Code 大火后，多家大厂推出自家 Code CLI，多终端操作上下文切换成本高。Orca 是开源 AI 编排器，可让多个 AI 编程助手并行工作，集中查看结果，有并行工作区、统一管理界面等亮点。
跨越技术与法律的壁垒：AI赋能知识产权领域任务全能评测基准IPBench发布
本推文介绍arXiv论文《IPBench: Benchmarking the Knowledge of Large Language Models in Intellectual Property》。论文提出IPBench评估基准，构建含20个任务、10374个双语数据点的基准，评估17个主流模型，揭示现有模型在IP任务中局限。
刚刚，阿里旗舰模型Qwen3-Max-Thinking发布，编程能力“踢馆”Gemini与Claude
阿里发布旗舰模型Qwen3-Max-Thinking，总参数超1万亿，在多项权威基准测试中表现优异，可与顶级闭源模型竞争。千问团队为其引入两项核心创新，提升推理性能，该模型已可免费体验。
突破全模态AI理解边界：引入上下文强化学习，赋能全模态模型“意图”推理新高度
在多模态大语言模型应用多元的当下，对模型理解人类意图需求迫切。阿里巴巴通义实验室团队推出HumanOmniV2，解决现有推理路径问题，其相关代码等开源，在多基准数据集成果突破性领先。
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。
开源屠刀！400美元炼成「代码副脑」，硅谷天价模型成废铁
AI2开源Open Coding Agents，以最低数百美元算力成本，能训练贴合私有代码库的专属编程智能体。SERA-32B表现惊艳，其软验证生成技术降低成本，新代码易部署且兼容Claude Code。