「编程测试」共找到 2635 篇相关文章
“交互式Scaling”：增加Agent与环境交互的深度和频率来提升性能
在AI发展中，商业研究Agent是“黑箱”，开源研究Agent性能有差距。MiroMind团队推出MiroThinker v1.0，提出“交互扩展”提升性能，在多基准测试表现出色，也指出了当前版本的局限。
教全世界与AI对话的男人，正式加入DeepMind！提示工程封神
全球最牛提示工程师Riley Goodside入职谷歌DeepMind，他曾凭和ChatGPT聊天年入百万。他认为ChatGPT发布是提示工程里程碑，提示工程可分上下文工程和提示词编程。
刷新复杂Agent推理记录！阿里通义开源网络智能体超越DeepSeek R1，Grok-3
互联网信息检索中，复杂问题让普通开源模型力不从心。阿里通义实验室提出WebSailor方案，通过SailorFog - QA数据集和DUPO算法等创新，提升模型能力，在多基准测试中超越诸多开闭源模型。
40万次Claude Code会话实锤：这才是AI时代最值钱的本事！
Anthropic用40万次Claude Code会话数据得出结论，决定AI编程成败的不是代码功底，而是对行业的理解。人决定造什么，AI决定怎么造，懂行的人能从AI榨出几倍产能。
撕开Claude Code真相：让它好用的98.4%，是工程不是AI
X用户推文曝光Claude Code项目模板，实则是公开范式。研究显示Claude Code 98.4%是工程基建。OpenAI等团队已将AI编程跑成生产线，普通开发者也能搭建入门版基建。
Gemini 3.1 Flash-Lite Preview发布：Google完成AI模型分层布局
Google发布Gemini 3.1 Flash-Lite Preview，针对企业和开发者场景优化，速度快，有‘思考级别’功能。基准测试表现不错，价格比Claude 4.5 Haiku便宜，但开发者社区反应复杂，面临市场定位问题。
为什么 Claude Skills 的爆发点在 2026 年 1 月？
Claude Skills 在 2025 年 10 月发布，到 2026 年 1 月才爆火。核心原因是它出圈了，在非技术领域火起来。其真正价值在非编程领域，有自动化操作、编排工作流、易分发成标配等特点。
DeepSeek-V4蓄势待发！梁文锋署名论文或开启第二个DeepSeek时刻
据报道，DeepSeek将于2月发布新一代旗舰模型DeepSeek V4，其编程能力或超Claude和GPT系列。最新论文提出Engram条件记忆机制，分离死记硬背与逻辑推理，揭示新稀疏性分配定律。
DeepSeek-OCR是「长文本理解」未来方向？中科院新基准VTCBench给出答案
DeepSeek - OCR的VTC技术可实现高压缩率，降低长文本处理成本。但视觉语言模型能否理解压缩信息存疑，中科院等推出VTCBench评估，测试模型认知极限，还推出VTCBench - Wild检测鲁棒性。
一文搞懂 Agents 评测丨Anthropic 最新万字长文
传统模型评测方法难评估 Agent 系统，Anthropic 摸索出有效评测设计方法。文章介绍评测结构、意义、方法，涵盖编程、对话等 Agent 评测，还给出打造评测路线图及与其他方法结合的建议。