「代码能力评测」共找到 4810 篇相关文章
只会写代码没戏了！奥特曼最新面试题曝光：1人要干1个团队的活
OpenAI开年首场答疑会，奥特曼坐镇回应关切。他承认团队为追求ChatGPT编程能力，牺牲创意协作能力。还谈及软件工程未来变革、AI成本降低、Agent自主运行等问题，也对众多提问给出看法。
季度AI视频生成产品：多模态输入成标配，角逐一站式生成能力 | 量子位智库AI 100
Sora2下载量破百万引发AI视频生成热潮，谷歌推出Veo3.1再掀高潮。国外大厂将其卷至电影制作级创意，国内企业追求高质量、秒级生成并落地垂直场景。量子位智库发布的产品呈现多维度技术演进。
Skill 和 CLI：经验指导能力，能力丰富经验
本文以作者自身使用飞书和 YouMind 工具的经历为例，探讨了 CLI 和 Skill 的关系，指出它们并非上下级，而是像菜谱和菜刀，相互配合。官方设计也体现了二者深度咬合，还给出使用判断口诀及 Skill 链玩法。
字节豆包2.0重磅发布！成本暴降一个数量级，Seed团队揭秘视频Agent竞争关键
今日字节发布豆包大模型2.0系列，围绕大规模生产环境需求优化，有Pro、Lite、Mini和Code四款模型。其Token单价低一个数量级，多模态理解能力升级，未来将围绕长链路智能系统构建发展。
CVPR 2026｜突破3D空间推理瓶颈：北大联合南科大提出QuatRoPE，让大模型精准理解三维物体关系
北大联合南科大团队提出全新 3D 位置嵌入方法 QuatRoPE，改善大语言模型 3D 空间推理痛点。还提出 IGRE 降低干扰，构建 ASR 基准评估能力。研究被 CVPR 2026 接收，代码与模型已开源。
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。
重磅！Claude Sonnet 4.5发布，可连续编程30小时，Claude Code同款构建工具也开放了
Anthropic发布Claude Sonnet 4.5，官方称是全球最强代码、复杂智能体构建及擅用计算机的模型。伴随产品全家桶升级，还开放Claude Code构建工具，发布Imagine with Claude。该模型能力强且更安全。
OpenClaw大考！上海AI Lab InternLM团队WildClawBench 60题，把「龙虾」AI打回原形
上海人工智能实验室InternLM团队推出WildClawBench，含60道高难度任务，在真实OpenClaw环境端到端评测AI Agent。评测涵盖多类别任务，已测14个模型，国产模型表现亮眼，项目开源可复现。
CVPR 2026 Highlight｜让家电「在仿真中运转起来」，北大正式发布RealAppliance！
北京大学团队提出 RealAppliance 数据集与 RealAppliance - Bench 评测基准。前者收录 100 个精细家电资产，与真实产品系统多层面对齐；后者围绕五项任务评估模型家电操作规划能力，实验显示主流模型仍面临挑战。
VLM会描述视频，却未必用对参考图：RefCaptioner让参考图与视频语义精准对应
多模态大模型处理多参考图与视频对应关系能力不足。为此提出 RefCaptioner，强化模型对参考图识别感应能力、优化输出格式与奖励函数；还构建 MRVBench 评测基准，实验显示其表现优异。