「Coding 基准测试」共找到 2875 篇相关文章
Claude、GLM、GPT谁才是真正的AI软件工程师？首个持续更新Visual Spec-to-App Benchmark发布
近年来，Coding Agent 发展迅速，「AI 软件工程师」渐成现实。但目前缺少系统评测其从设计稿开发产品能力的公开 Benchmark。为此，多校研究团队推出 VISTA，可多维度评测 Coding Agent 开发能力，且持续更新。
英伟达机器人掌门人Jim Fan年度复盘：Vibe Coding火出圈，机器人领域却依然焦头烂额
AK推文让Vibe Coding火出圈，而英伟达机器人负责人Jim Fan对2025机器人领域发展泼冷水，指出硬件可靠性差、Benchmark混乱、VLA路线存问题等现状，并分享3个教训，还回应网友质疑。
真实场景也能批量造「险」！VLM+扩散模型打造真实域自动驾驶极限测试
浙江大学与哈工大（深圳）联合推出SafeMVDrive，将VLM关键车辆选择器与两阶段轨迹生成结合，可在真实域批量制造高保真安全关键视频，用于端到端自动驾驶系统安全性测试。
OpenClaw危了？Claude Code迎来最激进升级：AI 开始直接操控电脑，正面挑战 OpenAI
北京时间昨日夜里，Anthropic 宣布对旗下 Claude Code 与 Claude Cowork 进行关键更新，AI 可直接操控电脑。同日 OpenClaw 也迎来重大更新，重构插件系统、升级模型等。二者更新引发关注，各有优劣。
GPT-5惨遭零分打脸，顶级AI全军覆没！奥特曼AI博士级能力神话破灭
FormulaOne硬核测试让顶级大模型现原形，其题目分三关，基础题AI还行，进阶题和最深层题表现惨不忍睹。该测试由AAI公司出品，问题具商业价值，反映出当前AI离真正专家还有距离。
小米MiMo Agent 跨会话进化
多数AI编程Agent任务一长就忘事，业界主流靠堆上下文窗口应对，但有缺陷。小米MiMo团队开源的MiMo Code，靠显式存储 - 检索机制，200步以上任务胜率超Claude Code达65%，介绍了其设计及优缺点。
让GPT-4.1「头皮发麻的考试」！OpenAI给大模型上强度，AI能赢吗？
OpenAI 公布 MRCR 评测标准数据集，其针对 AI 模型上下文能力进行「奥运会」级别测评。MRCR 提升了测试难度，能揭示 AI 能力边界，推动模型发展，帮助更合理应用技术。GPT4.1 在一些测试中表现出色，未来 AI 能力上限充满可能。
不改模型也能提升推理性能？ICLR投稿提出测试时扩展新范式OTV
ICLR 2026投稿论文提出单token验证（OTV），是测试时扩展新机制，让模型能边推理边判断正误。它基于并行思考思路，借助轻量内部验证器分析推理过程，实验显示其性能优于主流方法。
马斯克星舰第九次试飞失败，为测试极限拆除100块隔热瓦，返航途中燃烧解体
马斯克星舰第九次飞行测试，二百万网友围观。虽点火、升空顺利抵达太空，但随后意外不断。部署卫星舱门无法打开，星舰轨道失控翻滚，进入大气层后燃烧，最终在59.3千米高空失联，官方确认“快速非计划解体”。
5.3 万人收藏的开源版 Claude Code 彻底起飞了，GLM-4.7直接免费用。
近期AI编程界，Claude Code虽好用但对小白不友好。而开源神作OpenCode爆火，Star数达53K。它把‘选模型’进化成‘选员工’，有图形化界面，还集成可靠模型，支持并行运行，社区有强大插件。