「编程竞赛基准」共找到 2037 篇相关文章
Evaluation is All You Need：评估设计的微小差异如何扭曲结果
论文以DeepSeek - R1 - Distill系列模型为例，指出大模型评估中看似客观的基准测试结果对评估细节极度敏感，细微评估条件变化会致分数波动大，削弱模型对比可信度，呼吁建立新评估标准。
The Batch：827 | Claude 4 推动代码生成能力再升级
Anthropic 发布 Claude 4 Sonnet 和 Claude 4 Opus 模型，支持“推理模式”，能并行调用工具。还发布 Claude Code 编程智能体及 SDK。两款模型输入输出能力强，功能亮点多，性能表现佳，有多种使用渠道和定价。
Claude Opus 4.7 发布！留给人类的时间，不多了
Anthropic 发布 Claude Opus 4.7，核心升级是让 AI 跑长且复杂任务，还能自我验证结果。它视觉能力超强，编程能力提升，新增 /ultrareview 功能，API 多了调节档，不过 token 数量或增加，成本可能上浮。
本周 5 个火火火的Github开源项目，每个都很有说法！
本周介绍5个Github开源项目。ai - berkshire将投资大师方法论系统化；stremio - web聚合视频资源；archify能将大白话描述变成架构图；Maple - font是优化的编程字体；Netcatty整合SSH客户端等功能。
Claude Code 豪气收购一家0收入前端公司：押注一位高中辍学创始人
当地时间12月2日，Anthropic宣布收购热门开发者工具初创公司Bun。此次收购标志其向开发者工具领域迈进，因Bun能解决智能体分发和运行效率问题，且被众多AI编程工具使用。
突发：OpenAI收购计划泡汤！Windsurf创始团队转投Google怀抱
据The Verge报道，OpenAI 30亿美元收购AI编程初创公司Windsurf交易告吹，其CEO等核心团队转投Google DeepMind。Google获部分技术非独占授权，交易呈现“反向收购”模式，凸显人才流动性重要。
Claude Code 修了几个小 bug，却揭开了 Agent 落地的大麻烦
Anthropic给Claude Code发的更新，看似是修小bug，实则指向AI编程产品正从“模型会不会写代码”转向“Agent能否稳定完成任务”，暴露了工具状态、权限边界等执行问题。
The Batch: 952 | GPT-5.5 性能领先，但幻觉问题突出
OpenAI 最新旗舰模型 GPT-5.5 是闭源视觉 - 语言模型，在重要基准测试中表现领先，但在区分已知未知内容上有困难，幻觉问题突出，在主观评估中落后于对手。
AI竞争正酣，靠什么取胜？8个要点，一篇讲清楚
全球AI竞赛进入下半场，赛道转向‘谁更能干活’。我国有工业体系、应用场景和市场优势，取胜关键是‘通专融合’。文中提炼上海人工智能实验室周伯文长文8个要点，给出应对之策。
吴恩达年度AI总结来了！附带一份软件开发学习小tips
AI大神吴恩达总结2025热门AI趋势，包括模型推理成标配、Meta引发人才争夺战、数据中心火热、智能体编程重塑软件开发。还给出软件开发学习建议，如参加课程、动手实践、读论文。