「代码能力评测」共找到 4810 篇相关文章
让推荐学会思考：用强化学习激活大模型的序列推理能力
文章指出推荐系统曾未紧密结合大模型能力，如今正靠近其训练范式。作者基于用户行为序列，用强化学习训练大模型理解序列关系，以预测用户下一个可能点击的资讯，并通过实验验证了该方法的可行性，还探讨了不同数据库中BM25算法的差异。
规范对齐时代：GPT-5 断层领先，让安全与行为边界更明晰
上海交通大学等团队提出规范对齐概念，构建评测基准 SpecBench 评测 33 个主流模型，发现多数模型有不足。还探索测试时深思方法，如 Align3 能提升规范遵循度，GPT - 5 在规范对齐上断层领先。
看到苹果和谷歌重磅联合声明的时候，我正在用 Gemini 写代码
苹果与谷歌达成合作，下一代Apple Foundation Models将基于Google的Gemini模型和云技术构建，为Apple Intelligence功能提供底层支撑。此前Apple Intelligence节奏慢、能力跳票，苹果或借Gemini补短板。
Karpathy教你值回ChatGPT 200刀「票价」，初创工程师揭秘ChatGPT最核心能力
AI大神Andrej Karpathy用一张图教你选ChatGPT模型，给出使用指南，如简单问题用4o，困难问题用o3等。初创工程师Eric Hayes揭秘其背后复杂记忆系统，含保存记忆、聊天历史等，提升了用户体验。
警告：你的Agent可能无法"解决"真实世界的视觉问题
文章提出 AgentVista 评测基准，含 209 道任务，横跨 7 大领域 25 个子方向。评测 14 个主流模型，最强的 Gemini - 3 - Pro 准确率仅 27.27%，揭示多模态 Agent 在视觉理解、工具调用等方面挑战大。
OpenAI 推出 GPT-5 驱动的安全卫士Aardvark：Codex 绝佳搭档
OpenAI推出由GPT - 5驱动的自主安全研究智能体Aardvark，用于软件安全保障。它能持续分析代码仓库，识别并修复漏洞，目前在内部及合作伙伴代码库效果良好，正处私有测试阶段。
开源AI开发生态大洗牌：低代码平台逆袭，传统LLM框架日渐式微
第十届527蚂蚁技术日，蚂蚁对现有开源生态全面剖析，发布2025大模型开源生态全景图。分析显示开源生态有三个主导技术赛道，还总结出七大趋势，为从业者提供生态演进规律参考。
Agentic Deep Research新范式，推理能力再突破，可信度增加，蚂蚁安全团队出品
尽管LLM能力提升，但在复杂任务上受静态内部知识限制。业界提出Agentic Deep Research系统，不过现存系统有梯度冲突和奖励稀疏问题。蚂蚁安全团队提出Atom - Searcher，解决上述问题，实验效果良好。
CVPR 2025 Highlight | 提升自回归模型样例学习能力，Few-shot图像编辑新范式开源
当前图像编辑模型在处理新概念时泛化能力不足，为解决此难题，Meta等研究者提出自回归模型InstaManip，创新性提出分组自注意力机制和关系正则化策略，在few - shot图像编辑任务上取得优异效果。
兄弟们，起飞啦，揭秘Claudable给你写代码的魔力 Github 3k star !!!
Claudable是Opactor AI组织开放的开源项目，它结合Claude Code强大的AI代理能力，能把自然语言描述的产品概念自动翻译成可部署的Web应用，解决传统Web开发痛点，功能强大且应用场景广泛。