「代码能力评测」共找到 4796 篇相关文章
AI 已能写 80% 代码，但 Agent 也有致命短板！OpenAI Codex 技术总监：问错了，比不会写更麻烦
OpenAI Codex 技术负责人 Michael Bolin 在访谈中回顾职业轨迹，分享从工程师到工具创造者的成长经历。他认为 AI 编程时代 80%-90% 代码可由模型生成，但关键部分需人类把控，提出正确问题能力更重要，编程智能体执行将更多迁移到云端。
写代码从来不是瓶颈
Pedro Tavares认为软件开发瓶颈并非写代码，而是代码审查、知识传递等“人类开销”。LLM让写代码变容易，但理解、测试代码成本更高，未解决根本问题，团队理解代码成本才是瓶颈。
自动化评测的九九归一——评测agent
本文提出统一评测Agent架构，实现评测全链路自动化。它能学习标注标准，完成自动标注等工作。还介绍架构、解耦方法、模型优化及训练方案，解决多模态幻觉等问题，提升机审率，节省标注成本。
一文搞懂 Agents 评测丨Anthropic 最新万字长文
传统模型评测方法难评估 Agent 系统，Anthropic 摸索出有效评测设计方法。文章介绍评测结构、意义、方法，涵盖编程、对话等 Agent 评测，还给出打造评测路线图及与其他方法结合的建议。
大模型能否为不同硬件平台生成高性能内核？南大、浙大提出跨平台内核生成评测框架MultiKernelBench
深度学习计算依赖底层内核，当前多由开发者手工编写。南大、浙大推出开源评测框架MultiKernelBench，打破现有评测基准局限，构建模块化评测体系，多模型实测，还指出LLM短板并明确未来方向。
NeurIPS 2025 | Code Graph Model：重塑代码大模型架构，利用“代码图”突破仓库级编程瓶颈
在 NeurIPS 2025 上，蚂蚁全模态代码算法团队展示「Code Graph Model (CGM)」，它将代码库图结构注入 LLM 底层注意力机制，打破业界刻板印象，在权威榜单上表现出色。文章解析其架构、训练策略和配套框架。
代码暴减99.9%！独立开发者仅用500行代码做出安全版OpenClaw，GitHub星数狂飙
近日，独立开发者 gavrielc 制作的开源 AI 助手 NanoClaw 火了。它核心代码仅约 500 行，实现 OpenClaw 同等核心功能。相比原版 Clawdbot 代码量大减，还解决了 OpenClaw 安全架构问题，是其安全替代方案。
蚂蚁开源万亿参数思考模型 Ring-1T，综合能力逼近 GPT-5、数学能力对标 IMO 银牌
10月14日凌晨，蚂蚁集团推出万亿参数思考模型Ring-1T并全面开源。它在多任务榜单表现均衡，数学能力达IMO银牌水平，通用能力逼近GPT - 5，还采用自研算法应对行业难题，目前可下载体验。
秒改屎山代码、最高提效 300%！AI 代码审查工具会终结技术债务还是带来新危机？
当下AI代码审查工具引发热议，虽宣称提效300%，但实际表现存争议。InfoQ采访硅心科技专家，探讨其利弊、核心能力、不同工具差异等，还提及应对问题的策略及未来审查流程演变等内容。
让AI Agent自动接Issue、写代码、上线：我用200行代码搭了一个全自动开发流水线
文章介绍AI Agent驱动的全自动开发流水线，对比传统流程，指出开发者角色转变。列举开源工具，给出200行代码的最小实现，分析半自动与全自动差异及信任鸿沟，点明开发自动化趋势，还给出落地建议。