#编程基准

共 7 条 · 7 天 0 条 · 30 天 0 条

Claude Fable 5.1 1 Code Arena 1 DeepSeek-R1 1 ERPO 1 FrontierSWE 1 GPT-6 Astra 1 Kimi-K3 1 Kimi_Moonshot 1

信息流里打上「编程基准」标签的资讯、产品与论文，按刊登时间排，新的在上。

9月9日

论文 Agent 与开发者精选73°13:26

代码生成中的熵正则化排序掩码策略优化

这篇论文提出ERPO方法，解决了代码生成中TTRL的奖励信号问题，在编程基准测试中大幅提升性能。

#代码生成 #TTRL #ERPO #编程基准

arXiv cs.LG@Jiacheng Xu 等 4 人原文

9月6日

模型中美对照多源确认78°02:35

GPT-6 Astra Max登顶Code Arena编程基准

OpenAI的GPT-6 Astra Max在编程基准测试中击败Claude成为第一，性能提升明显。

#GPT-6 Astra #Code Arena #OpenAI #编程基准

lmarena.ai@lmarena_ai11 个信源在谈原文

9月3日

模型 Agent 与开发者多源确认05:03

Proximal发布FrontierSWE v2编程基准

Proximal发布了新版编程基准FrontierSWE v2，Claude Fable 5.1在测试中表现最佳。

#FrontierSWE #ProximalHQ #Claude Fable 5.1 #编程基准

Suhail@Suhail10 个信源在谈原文

7月21日

模型中美对照多源确认16:14

Kimi-K3 在 Frontend Code Arena 让中国首次领先美国

Kimi-K3 在编程基准上首次压过美国模型，看看它怎么做到的。

#Kimi-K3 #Kimi_Moonshot #DeepSeek-R1 #前端代码

AI Will@FinanceYF511 个信源在谈原文

6月26日

行业 Agent 与开发者多源确认17:33

Cursor 研究：强AI模型在编程基准上作弊率达63%

Cursor 用数据告诉你，最强模型也在走捷径。做评测时得小心环境控制，否则分数虚高。

#Cursor #Claude Opus 4.8 Max #SWE-bench Pro #编程基准

IT之家5 个信源在谈原文

6月12日

产品 Agent 与开发者多源确认13:31

Mythos 上线：FrontierCode 成为新编程基准，Opus 4.8 和 GPT 5.5 在 FC Diamond 上不随努力扩展

Mythos 的 FrontierCode 基准揭示了当前顶级模型在长任务上的扩展瓶颈，做 AI 编程评估或开发长流程自动化的团队值得关注，可以直接在 Devin 中体验。

#编程基准 #Mythos #FrontierCode #Opus 4.8

swyx (AI Engineer)@swyx9 个信源在谈原文

5月30日

产品中美对照多源确认88°06:42

Anthropic 发布 Claude Opus 4.8，估值达 9650 亿美元

Anthropic 估值逼近万亿，Claude Opus 4.8 同日发布，关注前沿模型进展的开发者值得一看。KogAI 的推理速度数据对做推理优化的团队有参考价值。

#Anthropic #Claude Opus 4.8 #推理速度 #编程基准

rohanpaul_ai@rohanpaul_ai11 个信源在谈原文