#SWE-bench
共 406 篇相关文章
·16 分钟
Tau开源AI编程助手：整合22家提供商实现低成本编程
Tau是一款开源AI编程代理工具，整合22家AI提供商，支持免费模型和低价方案，兼容Claude Code生态的Skills、Plugins和MCP Server，为开发者提供低成本AI编程解决方案。
阅读全文 →
·19 分钟
DeerFlow：字节开源长程任务SuperAgent框架深度解析
深度解析字节跳动开源的DeerFlow长程任务SuperAgent框架，涵盖六大核心组件（沙箱、记忆、工具、技能、子智能体、消息网关）、架构设计理念、应用场景及行业意义，帮助开发者快速理解这一GitHub近8万星标的自主智能体运行框架。
阅读全文 →
·10 分钟
游戏基准测试：评估大模型能力的新方法
传统AI基准测试正在失去区分度，游戏知识测试如RuneScape基准为大模型评估提供了新视角。本文探讨为何游戏场景能更真实地反映模型推理能力，以及个性化评估如何帮助用户找到最适合的AI模型。
阅读全文 →
·16 分钟
通用智能体的本质就是编程智能体：从工具调用到代码执行的范式转变
深入解析为什么通用型AI智能体本质上就是编程智能体。从代码的图灵完备性、可组合性与可验证性出发，探讨从Function Calling到Code as Action的范式迁移，以及对AI Agent产品构建的实际指导意义。
阅读全文 →
·15 分钟
Anthropic呼吁限制开源模型引众怒：安全还是垄断？
Anthropic CEO关于限制开源AI模型"危险能力"的表态引发社区强烈反弹。开发者质疑其双重标准，担忧以安全为名行垄断之实。本文深入分析这场AI安全与开源自由之争的核心矛盾。
阅读全文 →
·15 分钟
Grok 4.5社区口碑登顶：舆情数据背后的真相与争议
Grok 4.5在ai-census社区舆情排行榜上位居榜首，领先15个前沿AI模型。本文深入分析这份Reddit舆情数据的价值与局限，探讨为何同一模型在不同社区评价截然不同，帮助用户理性看待AI模型排名。
阅读全文 →
·15 分钟
推理能力未追平定价仍偏高：AI模型竞争的两难困境
深度分析AI大模型竞争中推理能力差距与定价策略失衡的两难困境，探讨为何模型厂商必须在推理能力或性价比上做到极致才能生存，以及追赶推理能力的技术门槛与成本矛盾。
阅读全文 →
·13 分钟
AI前沿技术加速迭代：解读行业预告信号与未来趋势
从一条引发AI圈关注的预告式推文出发，解读frontiermogging等行业信号背后的含义，分析AI前沿模型能力跃升、Agent自动化落地及开发者生态扩张等未来趋势走向。
阅读全文 →
·14 分钟
AI浪潮下的行业洗牌：哪些企业将在1-2年内被淘汰？
AI技术加速迭代正在重塑行业竞争格局。本文深度分析轻量级SaaS工具、中间层服务、重复性业务等领域面临的淘汰风险，探讨从业者如何在AI洗牌中找到生存之道。
阅读全文 →
·7 分钟
Composer 2.5实测：低价AI编程助手为何成为日常首选
一位开发者分享Composer 2.5的真实使用体验，从低价尝鲜到日常首选。深度对比Sonnet 5等模型在调试场景中的表现，探讨AI编程助手的基准测试分数与真实生产力之间的差距。
阅读全文 →
·13 分钟
AI末日论者真的用过AI吗？开发者揭露理想与现实的鸿沟
AI末日论者高喊人工智能将毁灭人类，但他们真正构建过AI应用吗？一位开发者的犀利吐槽揭示了AI演示与真实工程实践之间的巨大鸿沟，探讨末日论背后的利益驱动与认知偏差。
阅读全文 →
·8 分钟
Orca-Bench：评估AI智能体能否胜任线上值守Oncall
Orca-Bench是专为评估AI智能体运维能力设计的基准测试，通过模拟真实Oncall场景考验LLM在故障诊断、多工具协同和风险决策方面的表现。本文解析其设计理念、评测维度及当前AI运维的现实差距。
阅读全文 →
·7 分钟
13模型4智能体实测：谁是最强编程AI？
一项覆盖13个大语言模型、4种智能体框架、5种编程语言的系统性评测，揭示AI编程能力的真实差异。从Python到Rust，解析模型与框架搭配的最优策略，为开发者提供选型参考。
阅读全文 →
·6 分钟
Grok 4.5实测评价：90%任务场景下的性价比之王
Reddit用户实测Grok 4.5，从早期版本的糟糕体验到4.5版本的惊艳表现，深入分析其在高速模式下的性价比优势，与Fable、Sol等竞品横向对比，探讨AI工具选择的理性回归趋势。
阅读全文 →
·6 分钟
Grok 4.5发布：主攻编码与智能体任务的新一代AI模型
Grok 4.5正式发布，专为编码、智能体任务和知识工作打造。深入解析其核心定位、高效推理能力、三大应用场景及对开发者的实际价值。
阅读全文 →
·7 分钟
自托管Kimi K3：多花20%硬件成本换20%任务表现值得吗
深入分析自托管Kimi K3模型时，额外投入20%硬件成本换取20%任务解决率提升的技术逻辑与决策框架，涵盖推理精度、显存优化、分层部署策略等实务建议。
阅读全文 →
·9 分钟
Kimi K3 实测：2.5万亿参数开源模型叫板Claude
Kimi K3 实测评测，月之暗面最新2.5万亿参数MoE模型，编程能力与Claude打平，3D游戏开发领域反超，API定价仅为竞品十分之一。详解K3 Agent Swarm、100万Token上下文等核心能力。
阅读全文 →
·11 分钟
Cursor Start印度套餐月费₹649：AI编程工具区域定价策略解析
Cursor推出面向印度市场的Start套餐，月费仅₹649（约55元人民币），包含Grok 4.5和Composer Agent能力。深度解析这一购买力平价定价策略背后的市场逻辑与行业影响。
阅读全文 →
