「编程评测」共找到 1657 篇相关文章
MiniMax M2.5发布：硬刚 Claude Opus，一美元包断一小时的生产力
MiniMax M2.5发布，硬刚Claude Opus 4.6，以一美元包断一小时的低价降低AI生产力门槛。它在编程、办公等多场景表现出色，速度快且成本低，背后是RL Scaling等技术支撑。
三维空间太难懂？RoboTracer让机器人理解复杂空间指令，推理3D空间轨迹，开放世界也能精确行动
家庭环境复杂，让机器人理解空间指令难，现有VLM多聚焦2D推理。北航、北大等联合推出多模态大模型RoboTracer，能精准生成3D轨迹，在多项评测中领先，还能直接集成到机器人，完成复杂任务。
Coding Agent 自主解题很强，但用户改一行代码就"翻车"？自所团队提出 SWE-Touch 揭示共享工作空间下的能力缺口
当前基于大模型的Coding Agent是热门研究方向，现有评测多假设其独占代码仓库。中科院自动化所团队构建SWE - Touch框架，对9个前沿模型测试，发现用户干预下模型性能下降、排名洗牌。
长程任务飙升98%，斯坦福Skill原生LLM来了
普林斯顿、CMU、斯坦福、牛津等提出Skill-Native大模型，提出Skill Entropy度量技能切换难度，搭建Skill²-Bench评测，还将熵用作训练信号提出Skill-Entropy RL，提升多模型准确率，且技能熵可复用。
真可用！美团数字人模型开源，MV、电商等统统拿下
美团开源数字人视频生成框架 LongCat - Video - Avatar 1.5 版本，换音频编码器、加速推理，支持多任务与多场景。经770人评测，它在多维度领先对手，各方面表现均衡，效率与质量兼得。
10 万 Star 的反常识：AI 写代码的瓶颈从来不是代码本身
GitHub上的Superpowers开源项目，半年攒10.9万Star。它是AI编程工具的工作流操作系统，让AI像工程师工作，有面试需求、细化计划等流程，内置14个技能，安装简单，理念超前但也有局限。
1美元Token撬动4800美元收益！AI挑战百万美元级基准，最赚钱的Agent出现了
Humanlaya Data Lab等机构构建$OneMillion - Bench评测基准，用经济价值衡量模型。它含400道高难题目，覆盖多领域。目前最强模型能产出约50万美元价值，但离可交付专业任务还有距离。
2025年末全球 AI 行业流量报告：狂热退潮，分化开始
Similarweb报告显示，2025年Q4 ChatGPT流量同比跌22%。各AI产品走势分化，如Gemini涨49%，Claude坐“过山车”。AI编程、写作等领域也有不同表现，还揭示对传统行业冲击没那么快。
我的 2025 总结：当 AI 开始释放创造力，工程师如何重新站位
2025 年 AI 开始释放创造力，重新定义知识工作。作者在编程上向创造性工作倾斜，设计适配 AI 的架构、落地 DSL；写作上 AI 提升生产力但削弱创作欲。2026 年需探索新竞争力，实现角色转变。
李飞飞押注的3D世界模型黑科技，被这篇论文一次性扒光！
李飞飞创业公司World Labs发布空间智能模型成果，推出Marble平台。本文分享3D、4D世界模型技术综述，系统梳理原生表示的世界模型，给出分层分类法、数据集与评测指标，并开源维护。