「编程能力评估」共找到 4430 篇相关文章
IMO题库“过时”了！OpenAI内部模型挑战最新First Proof，做了7天错了一半
谷歌发布Gemini 3 Deep Think爆火后，OpenAI用未发布内部模型，一周内尝试解答10道来自数学家科研现场的真实问题，5道基本正确。这些题取自真实研究，切断模型“背答案”可能，意味着自主推理能力进化。
大模型训练新突破！“不对称”训练让AI学会自我反思，推理零开销
字节团队提出全新语言模型训练方法PCL，首次打破训练与推理对称约束，实现‘训练-推理不对称’。在训练时让模型反思评估结果，推理时仅输出答案，零额外开销，显著提升模型能力。
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。
比思维链准43%！逻辑脑+大模型直觉，推理可靠性大幅提升
中德研究团队发布成果，给大模型外挂「逻辑脑」，结合答案集编程与LLM，构建神经 - 符号框架，提升空间推理准确率，让AI能说清逻辑、跨任务迁移，迈向更可靠的通用推理。
超 2 万人收藏！配一次 MCP，Claude Code 和 Cursor 都能用！这个开源项目火了！
OpenWork是开源AI编程工作区平台，是Claude Cowork开源替代品。它能让不同AI Agent共享技能等，有跨工具工作流共享、可视化审计等亮点，还给出四种快速上手方法。
LLM 竟然会内省！Anthropic 整了个大活：首次揭开 AI 意识
Anthropic最新研究《大语言模型中涌现的内省意识》，首次通过直接操控模型内部状态验证AI能否觉察自己思想。研究采用概念注入技术，发现AI有内省能力，且不同模型表现有差异。
Grok最新模型吃上Cursor「加餐」，马斯克：Coding实现巨大改进
马斯克在X上透露，xAI的Grok基础模型V9 - Medium（1.5T）完成训练，预计2 - 3周后发布，训练加入大量Cursor数据。同时，xAI的AI编程代理工具Grok Build进入早期Beta测试阶段。
首个Gemini桌面端曝光，系统级Agent空降PC！
5月20日Google I/O 2026前夕，谷歌提前“放大招”，Gemini桌面端曝光，Mac版先上线。它具备四大核心功能，如系统级Agent操控PC等。全新Gemini 3.2闪现，编程能力惊人，谷歌还更新Workspace应用图标。
Vibe Coding 再升级，做世界顶尖的 Agentic Engineering！
过去18个月，AI Coding工具从‘辅助补全’到‘独立编程’质变，决定Agent产出质量核心变量从模型能力转向工程系统。文章探讨工程师角色迁移、Context Engineering、对抗Agent缺陷、长期维护及发展路径等问题。
RL救不了泛化性！揭示LLM数学Reasoning的深层瓶颈
大型语言模型在数学竞赛级任务依赖机械化推理，现有评测集有缺陷。UC Berkeley团队提出OMEGA基准量化其数学泛化能力，实验揭示复杂度引发性能崩塌等问题，指出LLM创新组合难，给出改进方向。