「逻辑评估」共找到 1081 篇相关文章
OpenAI Codex桌面版深夜突袭！一人指挥Agent军团，程序员彻底告别996
OpenAI推出编码杀器Codex桌面App，可指挥多Agent并行协作。它能多任务并行切换，创建调用Skills，设置自动化流程，从写代码进化到解决问题，还具备双人格模式，默认安全，有望重塑开发者与代码交互逻辑。
Cursor一夜翻车，AI 300万代码写浏览器被打假！全网群嘲「AI泔水」
Cursor宣称GPT - 5.2连肝7天造出浏览器，但开发者发现其代码无法编译，是缺乏工程逻辑的“AI泔水”。这一行为激怒开发者，也揭示AI编程需明确分工，未来软件开发靠“开挂工程师”带领AI。
Qoder 发布首个自进化的智能体：看 Quest 如何重构了 Quest
Qoder 发布首个自进化智能体 Quest，它能自主完成重构自身长程任务执行逻辑等任务。Quest 从上下文管理、工具选择、Agent Loop 三方面优化架构，还具备自主进化能力，正探索自主编程新可能。
检索做大，生成做轻：CMU团队系统评测RAG的语料与模型权衡
CMU团队在最新ECIR接收论文中，系统评估RAG语料规模与生成模型规模替代关系。实验表明，语料扩容可让小模型追上大模型，提升主要来自证据覆盖。研究为RAG系统提供更具性价比提升路径。
阿里通义新年礼物：开源最强Qwen-Image-2512版本告别AI塑料感与文字乱码
通义万相新年前发布Qwen - Image - 2512版本。它是开源界最强文生图模型，在AI Arena盲测中表现出色。能消除AI塑料感，攻克文字渲染难题，在还原真实世界和重构视觉元素逻辑排版上有显著提升。
世界首个！李飞飞团队推出物理推理基准，大模型统统不及格？
斯坦福联合中科大团队推出世界首个评估视觉语言模型物理推理能力的基准QuantiPhy，通过测试发现顶尖模型在数值计算上不如人类，还揭示模型推理靠记忆而非测量，为AI发展指明方向。
谷歌黑魔法，没人能看懂的Gemini 3 Flash
Gemini 3 Flash速度快3倍且智力超Pro，但没人明白其更「聪明」的原因。它打破「参数即正义」逻辑，在多项测试领先。谷歌或靠TPU、算法、数据优化，还可能用了Titans架构，有重大战略意义。
硅谷10万大裁员真相：AI根本没想取代你，是老板想干掉你
美国科技公司正大规模裁员，10月裁员人数暴涨。出版业大亨认为AI或致全民失业或经济崩盘，Meta用AI辅助绩效评估。AI常成裁员借口，实则与盲目扩招、财务压力等有关，美国大学文凭也在贬值。
理解规范驱动开发：Kiro、spec-kit和Tessl
作者尝试理解规范驱动开发（SDD），查看了 Kiro、spec - kit 和 Tessl 三个自称 SDD 的工具。介绍了 SDD 定义、规范含义，分析评估工具的挑战，还指出工具存在不适合多数编程问题、审查体验差等问题。
大模型在具身推理上「翻车」了？4496 道题全面揭示短板
美国东北大学等提出BEAR基准评估MLLM具身智能子能力，用4496道题测试20个模型。发现多模态大模型具身能力不足，还分析错因，开发BEAR - Agent提升模型具身推理能力，在仿真测试中效果显著。