用「进化+压力测试」自动生成的竞赛级编程题，各家大模型谁更hold住？
用「进化+压力测试」自动生成的竞赛级编程题，各家大模型谁更hold住？在当前评测生成式模型代码能力的浪潮中，传统依赖人工编写的算法基准测试集，正日益暴露出可扩展性不足与数据污染严重两大瓶颈。
来自主题: AI技术研报
6953 点击 2025-10-29 10:03
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
在当前评测生成式模型代码能力的浪潮中，传统依赖人工编写的算法基准测试集，正日益暴露出可扩展性不足与数据污染严重两大瓶颈。
学界杀入主赛道！UCL 校园团队 EuniAI 抛出开源智能体 Prometheus，在 SWE-bench Verified 上 71.2% Pass@1、主榜实锤合并；成本低至 $0.23/issue。
AI 编程早已成为许多开发者日常生产中的一环，而随着代码生成的速度和规模达到一定程度，一个日益重要的问题是，支撑这些 AI 运转的开发工具和基础设施正在成为新的瓶颈。
周末看到了宝玉老师的一个帖子，我自己其实有非常强烈的共鸣。 宝玉老师说的是编程，而我在创作这块，其实一直都有相同的观点： 如果你是一个想在某个领域，真正深耕下去，想成为这个领域的专家，那么，在你独立、手动、不借助（或极少借助）AI，完成1000个小时的刻意练习之前，离AI远一点。
在 AI 时代，开发的边界正被重新划定。 我们能够观察到，越来越多的产品经理、数据分析师、设计师，甚至内容创作者，正在熟练地使用 Cursor、ChatGPT、DeepSeek 等 AI 工具，解决真
AI编程领域竞争正酣。就在DeepSeek、阿里、Google、OpenAI等巨头纷纷展示最新代码生成能力之际，快手也交出了一份重量级答卷——发布AI编程产品矩阵，正式宣布进军AI Coding赛道。
今天凌晨，Anthropic 上线了「Claude Code on the web」（即网页版 Claude Code）功能，这种全新的方式可以让用户直接从浏览器中委派编程任务。目前，网页版 Claude Code 处于 Beta 阶段，作为研究预览版向 Pro 和 Max 用户开放使用。
随着大型语言模型（LLM）朝着通用能力迈进，并以通用人工智能（AGI）为最终目标，测试其生成问题的能力也正变得越来越重要。尤其是在将 LLM 应用于高级编程任务时，因为未来 LLM 编程能力的发展和经济整合将需要大量的验证工作。
OpenAI的封闭模型在IOI 2025竞赛夺金的同时，英伟达团队交出了一份同样令人振奋的答卷——他们利用完全开源的大模型和全新的GenCluster策略，在IOI 2025竞赛中跑出了媲美金牌选手的成绩！开源模型首次达到了IOI金牌水准。这究竟是怎样实现的？
拒绝世界首富是什么体验？卡帕西：这事我熟！刚刚，马斯克高调邀请卡帕西，与Grok 5来一场编程对决——就像当年的“卡斯帕罗夫大战深蓝”。