搜索：编程能力评估

「编程能力评估」共找到 4426 篇相关文章

老黄唱衰编程，GitHub CEO硬刚：放弃写代码等于放弃智能体未来话语权

GitHub CEO托马斯·多姆克在采访中反驳“编程无用论”，认为2025年是编程智能体之年，但未来仍属人类程序员。公司推出多个SWE智能体产品，Copilot用户增长显著，还将评估商业模式，专注打造最佳产品。

上海AI Lab的OpenDataLab团队通过大规模实验剖析RLVR在多领域推理机制。构建多领域评估框架与定制奖励策略，基于Qwen2.5 - 7B系列模型联合训练，有多项关键发现，为构建AI推理模型提供参考。

Google DeepMind发布Gemini 2.5 Pro (I/O edition)，编程能力大幅提升，在编程排行榜超Claude 3.7 Sonnet。用户用一个提示词或草图+描述就能构建应用，谷歌大佬站台，网友实测效果佳。

DeepSeek官宣V3.1发布，核心特性有混合推理架构、思考效率提升、Agent能力增强。产品形态含官方App/网页端和API升级。性能在编程、搜索智能体及思考效率上显著提升。

浙江大学团队推出视觉数学推理基准GSM8K-V，将GSM8K映射为视觉对应版本。它数据可靠、覆盖全面，经三阶段构建。实验显示，现有视觉语言模型在视觉推理上短板明显，为模型发展指明方向。

智能编程是AI应用增长快的赛道，正从代码补全迈向AI自主开发。国内模型能力提升，阿里Qwen3 - Coder超越部分闭源模型。阿里云通过多策略破局，其产品助力企业落地，但仍面临适配、安全等挑战。

Andrej Karpathy指出，只有复杂UI、无脚本支持、基于不透明二进制格式的软件产品，在AI时代会被淘汰。他给出风险评估清单，还分享AI编程心法，探讨编程中‘验证鸿沟’问题。

Z.ai将旗舰开源权重大语言模型升级为GLM - 5.1，可在单个任务自主运行八小时。它专为编程和智能体任务设计，有推理等特性，在多榜单表现佳，但推理和数学能力落后闭源模型，价格有提升。

Anthropic发布Claude Opus 4.1，是对Opus 4的小升级，提升智能体任务、代码处理和推理能力。付费Claude用户等已可用，价格不变。在编程评测表现佳，获多方好评，官方建议升级。

本文围绕DataV - Note智能分析创作平台评估体系建设展开，指出智能工具缺乏统一评估标准等问题。介绍评估模型目标、设计、标准，采用纵向和横向评估方式，还提及未来接入自动化和提升准确度的规划。