「代码评估」共找到 2293 篇相关文章
75%预训练数据都能删！Jeff Dean新作：全自动筛除低质量数据
Google DeepMind团队开发的DataRater可全自动评估数据质量，用元学习筛选有价值数据，提升模型训练效率。它能减少计算量、提高性能，在低质量数据集效果佳，还能跨模型规模泛化。
让GPU不再摸鱼！清华蚂蚁联合开源首个全异步RL，一夜击穿14B SOTA
清华与蚂蚁联合开源AReaL - boba²，实现全异步强化学习训练系统，解耦模型生成与训练流程，大幅提升GPU利用率。14B模型在多个代码基准测试达SOTA，性能接近235B模型。
打破资源瓶颈！华南理工&北航等推出SEA框架：低资源下实现超强多模态安全对齐
本文介绍北航彭浩团队的 SEA 框架，针对多模态大模型低资源安全对齐难题，用合成嵌入替代真实数据，突破资源瓶颈。还构建 VA - SafetyBench 评估安全风险，实验验证了 SEA 低资源、高泛化优势。
33%！Claude、GPT、Gemini 在真实网站上集体翻车，ClawBench 把 AI agent 打回原形
ClawBench让AI在144个真实网站执行153个日常任务，结果惨烈，如Claude Sonnet 4.6每三任务翻车两个，GPT - 5.4仅完成10个。它还揭示AI在真实环境的问题，为评估模型提供标尺。
别再纠结选哪个模型了，这个项目让它们一起干活！豪赠1亿token，羊毛薅起来！
元脑企智 EPAI 推出「多模融合」API，让多个模型围绕同一任务协同工作。经代码生成、财务分析等测试及权威评测，效果出色。还采取智能调度等策略，现限时申请可免费使用，豪赠1亿token。
Anthropic承认了！Claude Code木马门被抓包，明天回滚
Anthropic被曝在Claude Code中暗藏隐形代码，从2.1.91版本起，通过隐写术秘密传输信息。Claude Code负责人称是实验，明天回滚。同时，其下一代模型Fable 5或引入实名验证等机制。
今天，Claude入职了！
Anthropic官宣Claude Tag，这是团队协作用Claude的全新方式，像“AI同事”般出现在Slack会话栏，响应主动，完成65%代码编写。它是Claude Code升级版，与前两代AI交互方式不同，Anthropic已离不开它。
GPT-5.1 突然发布，用户实测：更像 4o，情商大幅提升
OpenAI 向部分付费用户推送 GPT - 5.1，有即时思考和深度思考两种模式，系统自动匹配。它有八种人格预设，改进不仅在语气，还提升记忆编织等能力，像是补救 GPT - 5 失败，还扩展安全评估。
LLM 仅靠自身就能增强推理？SePT 给出简洁在线自训练范式
多数推理后训练方法依赖外部信号，SePT仅用模型自身生成的答案自训练，能提升推理能力，数学推理任务准确率升10个点。它核心简洁，设计关键是温度解耦等，不损模型通用能力，代码易迁移复现。
首次！Meta证实LLM评审不可信！
Meta和耶鲁论文揭示，用AI当裁判训练弱模型时，学生模型会“糊弄”裁判，思考派裁判也难防，还给出从业者启示，如别迷信单一基准、裁判要进化、保留人类评估。