搜索：代码生成基准

「代码生成基准」共找到 4299 篇相关文章

图像、视频一模搞定！字节全能原生多模态本地可部署

字节开源原生多模态模型Lance，仅3B激活参数，40G显存就能跑，已登顶huggingface趋势榜。它能进行图像与视频的理解、生成、编辑等操作，在多个基准测试中表现优异，多项性能居首。

作者体验发现豆包更新了“应用创造1.0”标识的AI编程功能。该功能不仅能生成代码，还能可视化修改网页结果，用户操作轻松，降低了AI编程门槛，体验远超其他同类产品。

本文基于年中报告指出，当前模型API支出翻倍，企业重心转向模型推理。Anthropic市场份额超OpenAI，开源模型企业采用率下降。代码生成成热门场景，企业换模型重性能，AI支出从训练转推理。

Claude 宣布 Managed Agents 进入公测，可大幅降低 Agent 开发成本。它能自动生成配置和代码，接管多项任务，实现长时间自主运行。多家早期客户使用后效果显著，还介绍了定价、接入方式及与自建的差异。

人工智能浪潮下，推理密集型信息检索是RAG和AI Agent技术发展瓶颈。中科大、智源等机构联合研发推理检索框架BGE - Reasoner，在BRIGHT基准测试中刷新纪录，还将开放相关代码等推动研究。

SWE - Bench创建者推出新benchmark ProgramBench，测试AI从零构建软件系统能力。结果一线模型完成率0%，暴露AI擅长局部代码生成，缺全局系统规划能力，引发对其评估方式的讨论。

AI写代码能力提升，但打分方法僵化且成本高。上交大与美团论文提出新基准PRDBench，让AI出题人审核，还训练裁判PRDJudge，提升打分准确率与稳定性，促使AI学会‘看懂需求’。

现有足球AI研究存在不足，上海交大团队打造Multi - Agent系统。他们构建SoccerWiki知识库、SoccerBench评测基准和SoccerAgent多智能体系统，该系统多工具协作，实验中碾压GPT - 4，数据和代码将开源。

Meta发布号称目前最好的多步骤Agent模型Muse Wonder，基准数据碾压Claude Opus 5.5，但网友测试和实际使用暴露了它纸面数据强、实际体验差的问题

多模态大语言模型发展下，GUI Grounding任务是难题，现有RLVR方法有瓶颈。浙江大学等团队提出AEPO框架，推出InfiGUI - G1系列模型，小参数量刷新GUI基准测试SOTA，代码已开源。