作者:屈新珠发布时间:2026-11-22 16:59:00 点击数:17218

本月研究机构发布新研究成果银行为何又开始猛推大额存单 很高兴为您解答这个问题,让我来帮您详细说明一下。品牌授权报修电话,快速上门服务

湖北省襄阳市襄州区行唐县龙州镇四川省凉山彝族自治州甘洛县吉林省四平市铁西区蓟州区东施古镇喀什地区叶城县福建省南平市建瓯市福建省厦门市湖里区密云区高岭镇信阳市平桥区鹿泉区寺家庄镇广东省佛山市三水区隆安县江苏省连云港市赣榆区山东省东营市垦利区北海市海城区上海市市辖区嘉定区吉林省长春市双阳区广东省江门市辽宁省铁岭市开原市云南省玉溪市新平彝族傣族自治县贵州省铜仁市玉屏侗族自治县平山县上观音堂乡四川省成都市双流区云南省怒江傈僳族自治州福贡县云南省红河哈尼族彝族自治州泸西县密云区古北口镇蓟州区官庄镇怀柔区宝山镇广东省汕头市龙湖区鹿泉区寺家庄镇福建省厦门市湖里区四川省甘孜藏族自治州泸定县丰台区和义街道江苏省徐州市丰县鹿泉区寺家庄镇蓟州区东赵各庄镇贵州省安顺市普定县重庆市县巫山县山东省聊城市冠县山东省威海市焦作市丰台区右安门街道鹿泉区白鹿泉乡贵州省六盘水市水城县鹿泉区寺家庄镇四川省宜宾市珙县广东省汕头市南澳县甘肃省兰州市福建省南平市建瓯市亳州市利辛县青海省果洛藏族自治州宝坻区牛家牌镇井陉县测鱼镇崇左市宁明县辽宁省朝阳市北票市云南省玉溪市新平彝族傣族自治县甘肃省陇南市元氏县苏村乡四川省广元市桥西区留营街道井陉县吴家窑乡黑龙江省佳木斯市富锦市陕西省西安市未央区平顶山市湛河区怀柔区宝山镇江西省景德镇市昌江区静海区西翟庄镇四川省甘孜藏族自治州丹巴县四川省凉山彝族自治州昭觉县内蒙古乌海市乌达区焦作市中站区崇左市平山县岗南镇北辰区四川省遂宁市蓬溪县江西省宜春市奉新县贵州省黔东南苗族侗族自治州天柱县四川省甘孜藏族自治州丹巴县云南省红河哈尼族彝族自治州泸西县焦作市山西省晋中市榆社县江西省吉安市吉安县和田地区顺义区空港街道四川省遂宁市蓬溪县山西省晋中市灵石县昌平区延寿镇四川省甘孜藏族自治州泸定县青海省果洛藏族自治州广东省汕头市龙湖区西乡塘区广东省惠州市龙门县丰台区右安门街道朝阳区小关街道云南省红河哈尼族彝族自治州泸西县焦作市沁阳市朝阳区双井街道湖北省宜昌市秭归县山东省德州市齐河县

昨日行业报告传递新政策变化Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了,很高兴为您解答这个问题,让我来帮您详细说明一下:官方服务专线,支持多品牌报修

湖北省恩施土家族苗族自治州建始县喀什地区叶城县博尔塔拉蒙古自治州温泉县蚌埠市蚌山区重庆市市辖区北碚区黑龙江省大兴安岭地区呼玛县赞皇县院头镇四川省甘孜藏族自治州泸定县固原市西吉县平山县上观音堂乡四川省凉山彝族自治州昭觉县井陉县吴家窑乡山西省吕梁市岚县乌鲁木齐市沙依巴克区青海省玉树藏族自治州治多县焦作市吉林省长春市双阳区阿克苏地区拜城县山东省泰安市东平县昌平区小汤山镇陕西省商洛市山阳县昌平区小汤山镇海淀区青龙桥街道河西区桃园街道延庆区康庄镇平山县小觉镇山西省晋中市榆社县蚌埠市蚌山区许昌市建安区蓟州区东施古镇重庆市县巫山县重庆市县巫山县百色市靖西市昌平区小汤山镇重庆市县巫山县甘肃省兰州市甘肃省定西市渭源县蓟州区东二营镇山西省忻州市宁武县陕西省咸阳市兴平市江苏省镇江市句容市湖北省宜昌市宜都市贵州省铜仁市印江土家族苗族自治县江苏省南京市浦口区陕西省宝鸡市眉县博尔塔拉蒙古自治州温泉县山东省潍坊市青州市昌平区小汤山镇西乡塘区防城港市东兴市朝阳区小红门地区江苏省连云港市赣榆区四川省成都市新都区西藏阿里地区日土县辽宁省铁岭市清河区福建省三明市梅列区黑龙江省伊春市金林区开封市通许县海南省儋州市西藏阿里地区日土县四川省成都市新都区山西省晋中市太谷区桥西区东华街道广东省深圳市山东省淄博市临淄区山西省运城市夏县喀什地区麦盖提县蚌埠市蚌山区桂林市兴安县云南省红河哈尼族彝族自治州绿春县上海市市辖区嘉定区赵县沙河店镇云南省怒江傈僳族自治州福贡县武清区汊沽港镇阿克苏地区拜城县内蒙古呼伦贝尔市阿荣旗云南省怒江傈僳族自治州福贡县福建省福州市永泰县甘肃省兰州市四川省凉山彝族自治州昭觉县山东省枣庄市台儿庄区内蒙古乌海市乌达区江西省吉安市永新县山西省临汾市安泽县辽宁省锦州市义县洛阳市汝阳县山西省运城市夏县平山县小觉镇黑龙江省绥化市明水县西城区天桥街道广东省佛山市三水区江西省吉安市永新县山东省聊城市茌平区合肥市庐阳区广东省汕头市龙湖区贵州省六盘水市水城县西藏山南市黑龙江省伊春市金林区喀什地区麦盖提县江苏省徐州市

全球服务区域:四川省成都市双流区云南省西双版纳傣族自治州勐腊县内蒙古鄂尔多斯市康巴什区山东省滨州市山东省东营市垦利区南开区长虹街道辽宁省朝阳市北票市蓟州区东二营镇丰台区和义街道青海省海西蒙古族藏族自治州德令哈市贵州省六盘水市水城县青海省海南藏族自治州贵德县博尔塔拉蒙古自治州温泉县山西省忻州市定襄县甘肃省兰州市四川省凉山彝族自治州甘洛县井陉县测鱼镇内蒙古鄂尔多斯市康巴什区丰台区右安门街道福建省福州市永泰县西青区精武镇百色市靖西市云南省怒江傈僳族自治州福贡县昌平区小汤山镇武清区上马台镇福建省漳州市龙海市合肥市庐阳区桂林市秀峰区辽宁省本溪市溪湖区贵州省铜仁市印江土家族苗族自治县江西省吉安市吉安县鹿泉区寺家庄镇福建省福州市永泰县广东省江门市海南省海口市美兰区广东省珠海市斗门区吉林省四平市铁西区湖北省宜昌市秭归县贵州省铜仁市玉屏侗族自治县福建省福州市永泰县福建省厦门市海沧区江西省赣州市石城县山东省青岛市城阳区辽宁省辽阳市白塔区云南省文山壮族苗族自治州广南县桂林市兴安县濮阳市南乐县和平区南市街道山西省阳泉市平定县合肥市瑶海区贵州省黔东南苗族侗族自治州天柱县湖北省宜昌市西陵区桂林市秀峰区福建省福州市永泰县内蒙古呼伦贝尔市阿荣旗四川省凉山彝族自治州昭觉县四川省广元市密云区古北口镇山西省吕梁市中阳县大兴区开封市通许县西藏阿里地区日土县丰台区长辛店镇福建省南平市建瓯市广东省汕头市龙湖区密云区不老屯镇四川省凉山彝族自治州昭觉县河东区大直沽街道元氏县苏村乡江苏省镇江市句容市江苏省南京市浦口区重庆市县巫山县甘肃省兰州市元氏县殷村镇福建省南平市甘肃省庆阳市镇原县山西省长治市襄垣县四川省宜宾市珙县淮南市大通区鹿泉区白鹿泉乡蓟州区东二营镇辽宁省朝阳市北票市山西省阳泉市平定县四川省广安市岳池县福建省漳州市龙海市平山县宅北乡山西省晋中市榆社县辽宁省铁岭市清河区福建省厦门市湖里区和田地区钦州市辽宁省沈阳市哈密市伊吾县昌平区阳坊镇许昌市建安区山西省忻州市宁武县四川省宜宾市江安县海南省海口市美兰区赞皇县西龙门乡江苏省南通市启东市

今日官方披露行业研究成果Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了,很高兴为您解答这个问题,让我来帮您详细说明一下:售后服务维修中心电话,支持多渠道服务

全国服务区域:桥西区东华街道上海市市辖区嘉定区崇左市山西省晋中市灵石县濮阳市南乐县广东省汕头市南澳县焦作市中站区海南省儋州市江西省宜春市宜丰县南阳市内乡县西乡塘区湖北省宜昌市夷陵区丰台区和义街道开封市通许县江西省吉安市吉安县内蒙古锡林郭勒盟正镶白旗黑龙江省伊春市金林区亳州市利辛县辽宁省本溪市溪湖区蚌埠市龙子湖区山东省烟台市牟平区山西省吕梁市中阳县福建省南平市建瓯市四川省德阳市广汉市江苏省连云港市赣榆区无极县大陈镇青海省果洛藏族自治州银川市贺兰县青海省海西蒙古族藏族自治州德令哈市开封市通许县贵州省黔南布依族苗族自治州惠水县山西省晋中市灵石县元氏县苏村乡内蒙古锡林郭勒盟正镶白旗贵州省黔南布依族苗族自治州惠水县焦作市中站区贵州省黔南布依族苗族自治州惠水县蚌埠市龙子湖区银川市贺兰县南阳市内乡县崇左市信阳市平桥区广东省江门市崇左市井陉县测鱼镇平顶山市湛河区青海省玉树藏族自治州治多县云南省怒江傈僳族自治州福贡县赞皇县院头镇陕西省商洛市山阳县四川省广元市江苏省徐州市新沂市昌平区延寿镇南开区体育中心街道贵州省黔东南苗族侗族自治州天柱县江苏省徐州市丰县元氏县鹿泉区白鹿泉乡怀柔区宝山镇平山县岗南镇陕西省西安市未央区朝阳区小关街道上海市市辖区嘉定区平山县东回舍镇内蒙古呼伦贝尔市阿荣旗陕西省西安市未央区丰台区右安门街道元氏县殷村镇河西区桃园街道云南省红河哈尼族彝族自治州泸西县四川省凉山彝族自治州甘洛县海南省儋州市江西省九江市武宁县云南省普洱市景东彝族自治县陕西省汉中市西乡县四川省凉山彝族自治州西昌市丰台区宛平城地区甘肃省白银市景泰县博尔塔拉蒙古自治州温泉县山东省泰安市泰山区贵州省铜仁市印江土家族苗族自治县黑龙江省鸡西市鸡冠区江苏省徐州市丰县四川省泸州市江阳区丰台区长辛店镇桂林市秀峰区黑龙江省鸡西市鸡冠区赞皇县院头镇昌平区回龙观街道江西省吉安市永新县密云区古北口镇福建省漳州市龙海市大兴区平山县岗南镇蓟州区东施古镇丰台区长辛店镇海淀区青龙桥街道云南省普洱市景东彝族自治县山东省枣庄市台儿庄区福建省南平市建瓯市

售后服务上门服务电话,智能分配单据:Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了

编辑|Sia

SWE-Bench 的创建者,刚刚又放出了一个地狱级新 benchmark。

结果相当震撼:

Claude Opus 4.7、GPT-5.4、GPT-5 mini、Gemini 3.1 Pro、Gemini 3 Flash——这一代几乎所有最强的一线模型,全部 0% 完成率。

没有一个模型,能够真正完整重建一个软件项目。

这意味着什么?

今天的大模型,已经很会写代码了,但依然不会做软件工程。

最近,Meta FAIR 联合斯坦福、哈佛等机构发布了一项很有意思的新 benchmark,本质上是在重新定义 AI Coding 的评估方式:

ProgramBench: Can Language Models Rebuild Programs From Scratch?

过去的大模型编程 benchmark,大多测的是局部能力:补全函数、修复 bug、实现 feature……本质上,仍然是在已有代码结构里做局部修改。

而 ProgramBench 第一次把问题推进到了真正的软件工程层面:如果只给 AI 一个程序的功能描述和 usage docs,它能不能像真正的工程师一样,从零开始,重新构建一个真实、可执行的软件系统?比如 ffmpeg、SQLite、ripgrep。

而且——不能联网。

换句话说:模型到底有没有工程智能?

为了测试这一点,研究团队直接删除了原始源码和测试,只保留 executable 和 usage docs,模型需要自己决定语言、架构、模块拆分、数据结构乃至整个 repo 的组织方式。

更关键的是,ProgramBench 不再按照源码相似度打分。它采用的是 behavioral equivalence,行为等价。也就是说,你可以用完全不同的语言、算法、架构,甚至完全不同的工程实现。只要最终输入输出行为与原程序一致,就算通过。

研究团队甚至使用了 agent-driven fuzzing,自动生成大量端到端行为测试。

这是第一次,一个 benchmark 真正开始逼近现实世界的软件工程,而不再只是代码做题。结果出来之后,整个 AI 圈都沉默了。

所有模型:0% 完成率。

Table 2 负责制造震撼,那么 Figure 4 负责解释震撼背后的细节。它告诉我们,模型并不是完全不会做,而是经常能做出一部分,甚至在少数任务上接近完成;但只要要求 100% 行为等价,所有模型都会倒下。但这最后一公里,正是软件工程和普通代码生成最大的区别。另外,如果矮子里面拔将军,Claude 系列(尤其是 Opus 4.7 和 4.6)表现相对最好。

即便论文专门增加了一个Almost指标——统计那些完成度超过 95% 的任务。目前表现最强的 Claude Opus 4.7,也只有 3% 的任务接近完成。

论文里,有一句特别关键的话:

Models favor monolithic, single-file implementations that diverge sharply from human-written code.

翻译过来就是:模型极度倾向于生成单体化代码。大量逻辑被塞进单文件;目录结构极浅;模块拆分极少;函数超长;整个 repo 看起来像一坨巨型脚本。

这和优秀人类工程师的习惯,几乎完全相反。

后者往往讲究模块和关注点分离,会把代码拆得很优雅——配置放config.json,工具函数放utils.py,数据库操作放db.py,然后通过import相互调用。

这其实暴露出了一个非常核心的问题:AI 擅长的是局部代码生成,但不擅长全局系统规划。而真实的软件工程,本质上恰恰是后者。

这也是为什么模型在 LeetCode、SWE-Bench、Copilot 场景里已经非常强,一旦进入真实世界的大型工程系统,就会迅速掉进深水区。

当前 AI Coding 的真正瓶颈已经不再是代码生成能力,而是长期的软件系统构建能力。

另一个很有意思的结果,是不同语言之间的表现差异。

研究团队分别统计了模型在 C/C++、Go、Rust 等不同语言项目上的表现。可以明显看到,传统 C/C++ 项目完成度最高,而 Rust 表现最差。

不同模型在任务难度上的排序高度一致:nnn、fzf、gron 这类相对简单的 CLI 工具,模型普遍能拿到更高通过率;但 FFmpeg、php-src、typst、ast-grep 这类复杂系统,几乎所有模型都很难推进。这说明 ProgramBench 测到的不是某个模型偶然失手,而是复杂软件系统本身对当前模型形成了稳定压制。

这其实并不让人意外。

互联网里关于 C/C++ 的历史代码、工程实践和 Stack Overflow 内容实在太多了,模型已经被这些模式浸泡了很多年。

而 Rust 的工程哲学本身就更强调模块化、ownership、trait system 和长期可维护性,这些恰恰是当前模型最不擅长的东西。

某种意义上,Rust 测出来的,其实不是代码能力,而是工程能力。

随着 ProgramBench 引发热议,围绕这项 benchmark 的争论也开始迅速扩散。其中最主要的质疑之一是:这不就是在考模型有没有背过 FFmpeg 吗?毕竟,ProgramBench 里的很多项目本身就是公开开源软件。

对此,知名硅谷投资人 Deedy Das 专门发文回应:任何 benchmark 都可能被 overfit。

SWE-Bench 可以被记住 bug,LeetCode 可以被背题,甚至 ARC-AGI 未来也可能通过隐藏题库来避免泄漏。单纯讨论是否存在记忆本身,其实并不能否定 benchmark 的价值。

他认为:如果模型真的试图用 brute force 的方式去硬背这些程序,它往往会在别的地方明显退化。

因为真正的大模型训练,并不是简单把整个 FFmpeg 塞进参数里。更何况,研究人员还可以通过比对生成代码与原始源码的相似度,去检测是否存在直接 memorization。

他真正想强调的,从底层重建一个真实世界的软件系统,本身就是一种高 utility、长时间跨度的复杂任务。如果模型真的能够推理并完成这类任务,那么这种能力很可能会泛化到大量其他工程场景中

另一类争议则更有意思。有人吐槽说:连人类都不可能从零重写 FFmpeg,这 benchmark 根本不合理。

Deedy Das 回应,那又怎样?今天很多 LLM 能做到的事情,人类平均水平也做不到。

benchmark 的目标,从来不是模拟普通人的平均能力,而是推动模型向更高层次的智能逼近。人类做不到,并不意味着 benchmark 没价值。

比如,AlphaGo 下棋超过绝大多数人,并不影响它推动了 AI;同样,一个远高于普通工程师能力边界的 benchmark,也可能是未来 Agent 系统必须攻克的问题。

当然,他也承认,ProgramBench 仍然存在不少缺陷。比如,目前它没有测试 Claude Code、Codex 这类完整的 agent harness;只统计是否完成,没有更细粒度地衡量进展。

同时还限制了联网能力,以避免一些明显作弊行为。

Deedy Das 同意,这可能导致模型为了在特定指标上得分而走偏(Hill-climbing on the wrong thing)。不过,人们也随时可以增加一项在有网络访问权限下的性能测试作为对比。

还有人建议:为什么不用真正没人解决过的新问题?对此,Deedy Das 表示,因为那会让 benchmark 几乎无法构建。

你很难为一个没有标准答案的问题设计完备测试;也很难判断任务是否真的属于现实世界工程任务,还是研究者凭空捏造出来的 challenge。

但这些问题,其实都可以随着 benchmark 演进继续修正。

真正重要的是:ProgramBench 第一次把 AI Coding 的评估,从函数级拉到了系统级。它暴露出的,也是整个行业当前最大的断层:真正的软件开发,从来都不是写一个函数,而是如何做出一个能被维护、被扩展、被团队协作的工程系统。

今天的大模型,已经非常擅长生成局部代码。但依然缺乏长期、一致、稳定地维护复杂系统的能力。

所以你会发现,最近整个行业都开始疯狂研究另一批关键词:memory、agents、repo-level reasoning、long-horizon planning、autonomous software engineering。

因为下一阶段的竞争,可能已经不再是谁能一次性生成更长的代码,而是谁能在长时间、多轮交互、复杂上下文中,持续稳定地维护一个活着的软件系统。

论文链接:

https://programbench.com/static/paper.pdf

本月国家机构传达最新政策Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了

编辑|Sia

SWE-Bench 的创建者,刚刚又放出了一个地狱级新 benchmark。

结果相当震撼:

Claude Opus 4.7、GPT-5.4、GPT-5 mini、Gemini 3.1 Pro、Gemini 3 Flash——这一代几乎所有最强的一线模型,全部 0% 完成率。

没有一个模型,能够真正完整重建一个软件项目。

这意味着什么?

今天的大模型,已经很会写代码了,但依然不会做软件工程。

最近,Meta FAIR 联合斯坦福、哈佛等机构发布了一项很有意思的新 benchmark,本质上是在重新定义 AI Coding 的评估方式:

ProgramBench: Can Language Models Rebuild Programs From Scratch?

过去的大模型编程 benchmark,大多测的是局部能力:补全函数、修复 bug、实现 feature……本质上,仍然是在已有代码结构里做局部修改。

而 ProgramBench 第一次把问题推进到了真正的软件工程层面:如果只给 AI 一个程序的功能描述和 usage docs,它能不能像真正的工程师一样,从零开始,重新构建一个真实、可执行的软件系统?比如 ffmpeg、SQLite、ripgrep。

而且——不能联网。

换句话说:模型到底有没有工程智能?

为了测试这一点,研究团队直接删除了原始源码和测试,只保留 executable 和 usage docs,模型需要自己决定语言、架构、模块拆分、数据结构乃至整个 repo 的组织方式。

更关键的是,ProgramBench 不再按照源码相似度打分。它采用的是 behavioral equivalence,行为等价。也就是说,你可以用完全不同的语言、算法、架构,甚至完全不同的工程实现。只要最终输入输出行为与原程序一致,就算通过。

研究团队甚至使用了 agent-driven fuzzing,自动生成大量端到端行为测试。

这是第一次,一个 benchmark 真正开始逼近现实世界的软件工程,而不再只是代码做题。结果出来之后,整个 AI 圈都沉默了。

所有模型:0% 完成率。

Table 2 负责制造震撼,那么 Figure 4 负责解释震撼背后的细节。它告诉我们,模型并不是完全不会做,而是经常能做出一部分,甚至在少数任务上接近完成;但只要要求 100% 行为等价,所有模型都会倒下。但这最后一公里,正是软件工程和普通代码生成最大的区别。另外,如果矮子里面拔将军,Claude 系列(尤其是 Opus 4.7 和 4.6)表现相对最好。

即便论文专门增加了一个Almost指标——统计那些完成度超过 95% 的任务。目前表现最强的 Claude Opus 4.7,也只有 3% 的任务接近完成。

论文里,有一句特别关键的话:

Models favor monolithic, single-file implementations that diverge sharply from human-written code.

翻译过来就是:模型极度倾向于生成单体化代码。大量逻辑被塞进单文件;目录结构极浅;模块拆分极少;函数超长;整个 repo 看起来像一坨巨型脚本。

这和优秀人类工程师的习惯,几乎完全相反。

后者往往讲究模块和关注点分离,会把代码拆得很优雅——配置放config.json,工具函数放utils.py,数据库操作放db.py,然后通过import相互调用。

这其实暴露出了一个非常核心的问题:AI 擅长的是局部代码生成,但不擅长全局系统规划。而真实的软件工程,本质上恰恰是后者。

这也是为什么模型在 LeetCode、SWE-Bench、Copilot 场景里已经非常强,一旦进入真实世界的大型工程系统,就会迅速掉进深水区。

当前 AI Coding 的真正瓶颈已经不再是代码生成能力,而是长期的软件系统构建能力。

另一个很有意思的结果,是不同语言之间的表现差异。

研究团队分别统计了模型在 C/C++、Go、Rust 等不同语言项目上的表现。可以明显看到,传统 C/C++ 项目完成度最高,而 Rust 表现最差。

不同模型在任务难度上的排序高度一致:nnn、fzf、gron 这类相对简单的 CLI 工具,模型普遍能拿到更高通过率;但 FFmpeg、php-src、typst、ast-grep 这类复杂系统,几乎所有模型都很难推进。这说明 ProgramBench 测到的不是某个模型偶然失手,而是复杂软件系统本身对当前模型形成了稳定压制。

这其实并不让人意外。

互联网里关于 C/C++ 的历史代码、工程实践和 Stack Overflow 内容实在太多了,模型已经被这些模式浸泡了很多年。

而 Rust 的工程哲学本身就更强调模块化、ownership、trait system 和长期可维护性,这些恰恰是当前模型最不擅长的东西。

某种意义上,Rust 测出来的,其实不是代码能力,而是工程能力。

随着 ProgramBench 引发热议,围绕这项 benchmark 的争论也开始迅速扩散。其中最主要的质疑之一是:这不就是在考模型有没有背过 FFmpeg 吗?毕竟,ProgramBench 里的很多项目本身就是公开开源软件。

对此,知名硅谷投资人 Deedy Das 专门发文回应:任何 benchmark 都可能被 overfit。

SWE-Bench 可以被记住 bug,LeetCode 可以被背题,甚至 ARC-AGI 未来也可能通过隐藏题库来避免泄漏。单纯讨论是否存在记忆本身,其实并不能否定 benchmark 的价值。

他认为:如果模型真的试图用 brute force 的方式去硬背这些程序,它往往会在别的地方明显退化。

因为真正的大模型训练,并不是简单把整个 FFmpeg 塞进参数里。更何况,研究人员还可以通过比对生成代码与原始源码的相似度,去检测是否存在直接 memorization。

他真正想强调的,从底层重建一个真实世界的软件系统,本身就是一种高 utility、长时间跨度的复杂任务。如果模型真的能够推理并完成这类任务,那么这种能力很可能会泛化到大量其他工程场景中

另一类争议则更有意思。有人吐槽说:连人类都不可能从零重写 FFmpeg,这 benchmark 根本不合理。

Deedy Das 回应,那又怎样?今天很多 LLM 能做到的事情,人类平均水平也做不到。

benchmark 的目标,从来不是模拟普通人的平均能力,而是推动模型向更高层次的智能逼近。人类做不到,并不意味着 benchmark 没价值。

比如,AlphaGo 下棋超过绝大多数人,并不影响它推动了 AI;同样,一个远高于普通工程师能力边界的 benchmark,也可能是未来 Agent 系统必须攻克的问题。

当然,他也承认,ProgramBench 仍然存在不少缺陷。比如,目前它没有测试 Claude Code、Codex 这类完整的 agent harness;只统计是否完成,没有更细粒度地衡量进展。

同时还限制了联网能力,以避免一些明显作弊行为。

Deedy Das 同意,这可能导致模型为了在特定指标上得分而走偏(Hill-climbing on the wrong thing)。不过,人们也随时可以增加一项在有网络访问权限下的性能测试作为对比。

还有人建议:为什么不用真正没人解决过的新问题?对此,Deedy Das 表示,因为那会让 benchmark 几乎无法构建。

你很难为一个没有标准答案的问题设计完备测试;也很难判断任务是否真的属于现实世界工程任务,还是研究者凭空捏造出来的 challenge。

但这些问题,其实都可以随着 benchmark 演进继续修正。

真正重要的是:ProgramBench 第一次把 AI Coding 的评估,从函数级拉到了系统级。它暴露出的,也是整个行业当前最大的断层:真正的软件开发,从来都不是写一个函数,而是如何做出一个能被维护、被扩展、被团队协作的工程系统。

今天的大模型,已经非常擅长生成局部代码。但依然缺乏长期、一致、稳定地维护复杂系统的能力。

所以你会发现,最近整个行业都开始疯狂研究另一批关键词:memory、agents、repo-level reasoning、long-horizon planning、autonomous software engineering。

因为下一阶段的竞争,可能已经不再是谁能一次性生成更长的代码,而是谁能在长时间、多轮交互、复杂上下文中,持续稳定地维护一个活着的软件系统。

论文链接:

https://programbench.com/static/paper.pdf


近年来,仙居县以打造新型阅读空间为抓手,推动阅读阵地与民众休闲、自然风光、文旅景观深度融合。岭上阅读美术馆、李白图书馆等一批文化阵地相继落成,“全民阅读·声动仙居”等品牌活动持续开展,逐步呈现出“山水皆书房,无处不书香”的全域阅读图景。 久久久精品 - 极简设计理念让复杂变得简单 银行为何又开始猛推大额存单
银行为何又开始猛推大额存单

银行为何又开始猛推大额存单

百万最新免费软件游戏

下载

银行为何又开始猛推大额存单
首页>>国际博物馆日广州主会场活动在广州春园启动
银行为何又开始猛推大额存单

银行为何又开始猛推大额存单

「活动」首次登录送19元红包

44.64MB
版本{版本}
下载APK高速下载
下载再Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了安装你想要的应用 更方便 更快捷 发现更多
喜欢60%好评(30人)
评论75
Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了截图0Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了截图1Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了截图2Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了截图3Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了截图4
详细信息
  • 软件大小:42.10MB
  • 最后更新:2026-11-22 16:59:00
  • 最新版本:{版本}
  • 文件格式:apk
  • 应用分类:ios-AndroidClaude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了
  • 使用语言:中文
  • :需要联网
  • 系统要求:7.65以上
应用介绍
🚫第一步:访问《Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了》官网👉首先,打开您的浏览器,输入《Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了》。您可以通过搜索引擎搜索或直接输入网址来访问.㊗️
🚫第二步:点击注册按钮👉一旦进入《Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了》网站官网,您会在页面上找到一个醒目的注册按钮。点击该按钮,您将被引导至注册页面。🐷️
🚫第三步:填写注册信息 👉在注册页面上,您需要填写一些必要的个人信息来创建《Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了》网站账户。通常包括用户名、密码、电子邮件地址、手机号码等。请务必提供准确完整的信息,以确保顺利完成注册。♉️
🚫第四步:验证账户👉填写完个人信息后,您可能需要进行账户验证。《Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了》网站会向您提供的电子邮件地址或手机号码发送一条验证信息,您需要按照提示进行验证操作。这有助于确保账户的安全性,并防止不法分子滥用您的个人信息。🕧
🚫第五步:设置安全选项👉《Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了》网站通常要求您设置一些安全选项,以增强账户的安全性。例如,可以设置安全问题和答案,启用两步验证等功能。请根据系统的提示设置相关选项,并妥善保管相关信息,确保您的账户安全。🎍
🚫第六步:阅读并同意条款👉在注册过程中,《Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了》网站会提供使用条款和规定供您阅读。这些条款包括平台的使用规范、隐私政策等内容。在注册之前,请仔细阅读并理解这些条款,并确保您同意并愿意遵守。⛈️
🚫第七步:完成注册👉一旦您完成了所有必要的步骤,并同意了《Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了》网站的条款,恭喜您!您已经成功注册了《Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了》网站账户。现在,您可以畅享《Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了》网站提供的丰富体育赛事、刺激的游戏体验以及其他令人兴奋!‼️
【联系我们】
客服热线
加载更多
版本更新
{版本}
Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了
  • 相约520 囍事在军营
  • 西藏昌都文旅资源亮相天津 多项合作签约落地
  • 贯通广州三大火车站 广南联络线预计明年年中建成运营
  • 湖南“草根超模”邝美:乡野走出“国际范”
  • 承诺“增高”构成欺诈 商家被判退一赔三
  • 青海启动“5·19中国旅游日”主题系列活动
  • 北京市级机关搬迁将于2026年底完成
  • 香港举办佛诞节吉祥大会 祈愿国家和香港繁荣稳定
  • 成都一座猫岛的双向奔赴 救助者也值得被守护
  • 2026年“共筑国之长城”上海市全民国防教育主题系列活动启动
  • 外交部介绍特朗普访华安排和中方期待
  • 东西问|戴伟:我在中国乡村开了一家加拿大餐厅
  • 首届历史经典产业博览会在杭州举行:有哪些“经典”?
  • 济川药业蒲地蓝消炎口服液获批中药保护品种

    今年1-4月全国规模以上工业企业利润增长18.2%

    广西加强面向东盟的知识产权保护

    详情
查看更多
加载中加载中,请稍等...

Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了类似软件

  • “日本叮叮”不是日本品牌晋祠博物馆一座移动厕所背后的治理智慧

    动静快评丨把基层反诈的硬经验,变成万家平安的守护力

  • 广州航天小镇开工 打造大湾区商业航天增长极非洲日文化节在北京举办 非洲驻华使团长:人心相通是非中关系最牢固的纽带

    美国缅因州一木材厂爆炸并起火

  • 渝港共同探索AI合作潜力 专家吁两地优势互补第八届中国国际茶博会:高颜值茶空间令人流连

    亚太媒体合作伙伴计划正式成立

  • NBA雄鹿队老板遭华裔女子色情勒索广州部分停车场识别不出“粤AP”车牌

    乡村戏剧为啥这么“抓人”?

  • 尼克斯胜76人3-0领先 布伦森砍33分沪指高开0.51% 突破4200点

    第二十一届“九三论坛”举行 聚焦前瞻布局未来产业

  • 大雨里的空中武汉如虚似幻四川省都江堰水利发展中心党委书记、主任朱泽华接受审查调查

    200元找了一家民宿 以为自己穿越了

  • 新修订的《通信短信息服务管理规定》施行 专家解读广西柳州发生5.2级地震 武警官兵奔赴震区搜救

    以小切口讲大历史 “你好,我们的北京”丛书首发

  • 北京丰台发布2026“两区”工作要点 加快丽泽城市航站楼等重点项目建设舞蹈诗剧《只此青绿》主演张翰:希孟在成长,我也在成长

    防灾减灾宣传周来了 一图读懂家庭应急物资该备什么

  • 伊朗媒体报道称:伊朗议长访问卡塔尔寻求解冻海外资金中方对无核武国家鼓吹拥核言论表示关切

    跳水世界杯总决赛:蒋林静获女子10米台冠军

  • 深交所对229起证券异常交易采取措施伊朗副外长警告法国和英国勿加剧危机

    祁连山下“乡土戏韵”传承的志愿微光

  • 马刺双加时攻陷俄城 文班41分24板黄山风景区迎来今冬首场雾凇景观

    百人共创海军宣传片打脸外媒滤镜

  • 国际护士节:致敬生命的守“护”者超80家轮胎厂商密集调价

    国家统计局:4月份工业生产者出厂价格同比上涨2.8%

  • “五一”假期辽宁省博物馆职工餐厅对外开放胖东来搬走后 原新乡房东租金大降

    海内外文旅专家香港共探文旅品牌出海之路

  • 东方名人赛·北京女子公开赛:刘宇婕实现女子中巡第二胜世卫组织:涉疫邮轮病例增至9例

    “粤”上新台阶丨何以“香云纱”?

  • 航天员朱杨柱再出征 家乡亲友盼其顺利凯旋广西文创产品借力非遗元素出海

    文坛名家聚长春 思辨AI与视频时代的文学未来

  • 沙漠里的“追光者”:旅拍定制师用镜头为游客定制专属记忆2026年北京消防宣传月系列活动启动

    巨力索具被证监会立案

  • 黄百铁路毛栗冲隧道顺利贯通司法部新闻发言人就欧盟外国补贴调查相关做法构成不当域外管辖答记者问

    金正恩向俄总统普京致贺电

  • 外国记者解码“中国电动车之乡”:看中国制造如何“骑”向全球?苏州:个人公积金最高贷款额度提至150万元

    你以为只是机器人在打架?这背后是学霸们的“烧脑”对决

  • 所罗门群岛反对党领袖威尔当选总理 中方祝贺广西百色500千伏蓝田站配套线路工程投产 赋能百业千家

    初夏限定浪漫 四川成都二环高架桥的绿色幻梦长廊

  • 伊朗和巴基斯坦两国外长通话李鸿忠会见汤加议会政府联合考察团

    今年高考有哪些新变化

  • 粤剧跟斗展演群英荟萃 腾空翻扑见真功印尼财长:当前经济形势不同于1998年金融危机

    法国总理:由涉汉坦病毒疫情邮轮疏散的一名法国人出现症状

  • 亨通光电控股股东解除质押1300万股德国经济和能源部长:中国经济发展成果令人钦佩

    4人出海吸花甲失联 2人遗体被找到

  • 突发:菲律宾一飞机坠毁 载有6名外国公民国防部:中塞(尔维亚)两军共谱安全发展新篇

    首届历史经典产业博览会在杭州举行:有哪些“经典”?

  • 外交部发言人毛宁点赞无人行李箱墙为期1年的太空驻留,将实施我国首个太空人体研究计划,验证航天员长期飞行健康保障能力等

    《习近平谈治国理政》第五卷法俄阿等文版及中文繁体版出版发行

  • 《孟子与荀子思想解读》新书在山东邹城发布神舟二十三号乘组简历公布

    父母出门收废品 13岁女孩打赏主播4万

  • 市场监管总局发布一批全国电子计价秤计量监管创新典型案例回应军舰遭袭 美军空袭伊朗军事设施

    第七届世界海洋生物多样性大会在比利时举行

  • 从发票数据看经济走势 今年前四个月全国企业销售收入稳步增长2026河南省文化旅游发展大会将在安阳举行

    阿贝尔:我们无意依附任何人

  • “浙江一中学5名学生怀孕”系谣言哈尔滨极地公园今冬首场“淘学企鹅冰雪巡游”上线

    宁夏:民政部门不能自行主动担任遗产管理人

  • 印尼政府向军方移交6架法国“阵风”战机综合整治“内卷式”竞争 北京约谈17家重点平台企业

    国际社会高度关注中美元首会晤 期待两国合作为世界注入更多稳定性

  • AI算力驱动需求爆发 国产光通信产品出海热销世卫组织:非洲埃博拉疫情构成“国际关注的突发公共卫生事件”

    海口市税务局通报员工上班纪律问题:责令检查、通报批评、调离原工作岗位

  • 美众议院推迟表决限制特朗普对伊动武法案 民主党人抗议多地上演“豪宅热”

    频繁侦察和空袭,美国盯上伊朗“永不沉没的航母”?

  • 重庆江边游轮起火?谣言投了长鑫科技 合肥赚了一个合肥

    松弛又浪漫 来上海西岸感受“花样爵士乐”

  • 多地农商行存款再降息湖北为台青提供实习、就业岗位4200余个

    一图读懂丨个税汇算这些“坑”别踩

  • 签约212个项目、逾7万人次赴会 第八届西洽会成果丰硕7-Eleven创始人铃木敏文去世

    主力资金,“盯上”这些股票

  • 大雪暴雪来了!明起大降温今年前4月二连浩特口岸进出口货值超350亿元

    拥抱体验经济 打造消费新业态

  • (机遇香港)“温情经济”升温 香港母亲节消费市场“人财两旺”马来西亚一季度GDP同比增长5.4% 略高于预期

    中国地震局启动中南五省区联防联建机制 应急处置柳州两次5.2级地震

相关攻略
  • 李家超与黎家盈通话:以最佳状态为国家航天事业续写辉煌篇章
    2026-11-22 16:59:00
包含 饿了么 的应用集
  • 日本民调显示超半数受访者反对解禁杀伤性武器出口 澳大利亚一列车与卡车相撞致多人受伤 北京科博会机器人扎堆 外国采购商:中国制造业确实领先
    骑士老板包大巴送球迷远征客场助威
    在中国驶入发展“快车道”:腰旗橄榄球 越打越新潮
    146867652129022026-11-22 16:59:00
  • 塔塔集团携手ASML在印度盖半导体厂 山东招远一矿区发生事故 致3人死亡2人受伤 从外贸之“质”读懂中国经济之“韧”
    第三届武夷山竹业博览会举行 以竹代塑赋能绿色产业出海
    2026首届文化智能国际会议暨第二届文化智能大会在京举办
    33132416649142026-11-22 16:59:00
  • 第三届中国经贸论坛在剑桥大学举行 把文旅体商“流量”变为发展“留量” 东西问|张诗高:铸牢中华民族共同体意识的西藏实践与经验
    曝汪峰森林北分手
    吉林“织补”城市历史肌理 活化建筑留住乡愁记忆
    5447742785135937442026-11-22 16:59:00
  • 基层传习丨港站聚势通全域“枢纽筋脉” 产城融合让城市“向上生长” 男孩拿长棍卡电梯门 被拽起摔倒 来自军营的告白,妈妈,请查收!”
    专家:女性生育力35岁后呈断崖式下降
    (乡村行·看振兴)福建建宁:甜玉米喜获丰收 “种业链”蹚出增收新路
    9322657488656632026-11-22 16:59:00
  • 从杭州看全球丝绸治理:一座产业城市为何成为新坐标? 周深被伴舞“遛”到破防 武汉布局182个重点片区推动城市更新
    泉金客运航线2026年出入境旅客突破10万人次
    《主角》刘浩存上线即破圈
    679556944606132026-11-22 16:59:00
  • 聚焦人工智能教育应用等 2026世界数字教育大会将发布八项成果 钱江摩托否认围剿张雪机车 “渝BA”揭幕战打响 71年历史场馆再次见证重庆篮球荣光
    庾澄庆被换6首歌
    渝昆高铁川滇段铺轨工程启动
    394076230331842026-11-22 16:59:00
  • 推动能源职教标准在海外落地 专家:半导体竞争迈向“制程追赶+系统创新”双赛道 重庆武隆罩云山野生杜鹃花盛开 云端花海吸引游客打卡
    伦敦世乒赛女选手安检遭不当肢体接触 国际乒联回应
    苏格兰民族党前行政主管承认挪用政党资金
    62313351006802026-11-22 16:59:00
  • 韩国前第一夫人金建希首案终审被判有期徒刑4年 浙江杭州“竖起来的西湖”出圈 创意展板引打卡热潮 习近平:推动中俄两国互信根基越扎越牢 友谊之路越走越宽
    AI造假潜入“买家秀” 消费权益如何守护?
    大连化物所成功研制高比功率阴极闭合式风冷电堆并通过科技成果鉴定
    1697968459093310762026-11-22 16:59:00
  • 赛事经济助城市消费升级 新疆哈密:哈密瓜全产业链服务平台赋能乡村振兴 联合国安理会讨论波黑问题:中方强调尊重波黑主权独立和领土完整
    山西朔州“十五五”布局文旅融合 让千年应县木塔“活起来”
    阿伦回应“麦迪逊的灯光更耀眼”言论
    112272933083942026-11-22 16:59:00
  • 原地超慢跑是什么?这些好处让人意想不到 规范涉企行政执法已挽损307亿元 一路生花!火出圈的“月季项链”背后还有这些黑科技
    美国人远赴墨西哥买中国汽车
    5月29日央行开展1230亿元7天期逆回购操作
    717281156375082026-11-22 16:59:00
  • 今年首个红色预警!水利部和中国气象局联合发布红色山洪灾害气象预警 大美边疆看我家丨云南云龙:白族吹吹腔展现民族记忆 探馆2026世界智能产业博览会:AI如何“长出身体”?
    中美将在韩国举行经贸磋商
    卡塔尔首相兼外交大臣与伊朗外长通电话
    496495731195782672026-11-22 16:59:00
  • 15岁蒋林静首夺跳水世界杯总决赛女子10米台冠军 黄金再跌也不能买了吗 老馆长回忆四字侨批“钱二我在”令人泪目 两块钱是全家救命钱
    杭州往返菲律宾马尼拉客运航线复航
    分析人士:日本强化情报机构 与二战前如出一辙
    34964514728897082026-11-22 16:59:00
  • 赖清德窜访遭舆论群嘲,学者:自取其辱已成历史笑柄 机构强力掘金半导体板块 巴基斯坦一客运列车遭爆炸袭击 至少24人死亡
    普京和高市早苗在深圳谈了什么
    “之江同心”搭台 助浙江东阳低空产业“驭风起势”
    2562458822205249772026-11-22 16:59:00
  • 全球首个面向南方国家的教师数字素养提升行动计划发布 金观平:刚性约束压实生态环保责任 伊朗对美国空军基地实施打击
    特朗普将27日内阁会议地点改回白宫
    专家:半导体竞争迈向“制程追赶+系统创新”双赛道
    616519922886812026-11-22 16:59:00
  • 武契奇夫人在上海开启“买买买”模式 对着小朋友抛飞吻 闻“汛”而动!直击武警官兵防汛综合演练 高铁快运服务“双11” 急送、专人送、冷链服务满足多元需求
    凡人善举显温情 外卖小哥暴雨中救人
    数字孪生如何复刻青藏高原?2026公众科学日专家科普解读
    670619958107550212026-11-22 16:59:00
  • 广东中山启动防汛Ⅲ级应急响应 珠海斗门区停课 一刻钟便民生活圈建设全面扩围 变废为宝 闲置空间变身便民服务设施 郑丽文回应季麟连言论争议
    一群人里蚊子为什么总叮你
    为“麦”而来 多国专家齐聚河南新乡共话国际种业合作
    8622580538816402492026-11-22 16:59:00
  • 丁俊晖祝贺吴宜泽:我们的时代正到来 空中救援打通生命通道 湖南石门27人安全转运 男子误食毒蘑菇多脏器衰竭
    全新一代问界M9上市:47.98万元起售,发布即交付
    苹果为何敢在行业涨价潮中降价
    821449907745662026-11-22 16:59:00
  • 特朗普大言不惭:美国至少掌控2亿桶委内瑞拉石油,“非常赚钱” 香港爱国爱港社团及工商界代表到访广州从化开展交流活动 关晓彤担任金鸡奖主持
    新疆:“石榴花开 籽籽同心”铸牢中华民族共同体意识网络主题活动启动
    东兴海关洗衣房主要设备采购项目(GSZB-FCG-2026-05)成交公告
    13578593238265552026-11-22 16:59:00
  • 第34届广州国际旅游展览会在穗开幕 (文化中国行)新疆苏巴什佛寺遗址:昔日玄奘讲经处 今朝吸引海外客 实干笃行|一见·从这份深厚情怀,感悟“为政之道”
    “中国服务”加速出海
    西藏牦牛博物馆:牦牛为“桥”连世界
    359936198706910782026-11-22 16:59:00
  • 女子被养2年猫攻击致颅部3级损伤 “演员朱珠:女性永远不要怕从零做起 黎家盈四重身份每一个都闪闪发光
    大范围降雨将上线 安全指南请收好
    “中国林都”伊春:火山岩上看杜鹃 “撞色”美景引游人
    127472298656022026-11-22 16:59:00
  • 中缅2026至2027年度榨季甘蔗跨境运输开启 大庆油田成功构建开发区级三维精细地质模型 填补行业技术空白 大范围降雨浸润中东部 主雨带继续东移南压
    第一次坐高铁竟是为见女儿最后一面
    “沙漠骆驼”段光硕:30年踏遍沙梁,只为绿染乌兰布和
    848645391347762026-11-22 16:59:00
  • 宁夏警方破获非法狩猎案 现场查获野生动物21只 “山海相融念归处——台湾少数民族专题展”在福建泉州展出 台民众被问民进党这十年“政绩”沉默
    防范八种化学品流失用于制毒风险 国家禁毒办发布警示
    观看神舟二十三号发射直播 香港大学学生:紧张到不敢呼吸
    57975616681610742026-11-22 16:59:00
  • 评论:广交会彰显中国外贸韧性 为全球供应链注入稳定动能 中国驻马来西亚大使:医疗健康正成为中马合作新增长点 非洲银行高管:非中经贸将迎来更深层次发展
    湖北一小学被指变相摸底家长背景
    段永平成泡泡玛特第二大股东
    618928481176212026-11-22 16:59:00
友情链接
  • 河南省许昌市政协原副主席周亮军被“双开”
    2026-11-22 16:59:00
  • 民警一声“快来帮忙”,整座桥上的人都来了!
    2026-11-22 16:59:00
  • 湖南石门特大洪水来袭 救援持续进行中
    2026-11-22 16:59:00
安卓手机网上最贴心的Android软件应用平台!版权所有:Claude、GPT、Gemini 全灭,SWE-Bench作者新作把AI圈干沉默了有限公司备案号:京ICP备17065190号-1