全部 AI 动态

[ CLAUDE ]浏览 0

产品Claude Blog2026/07/17 00:00 本周精选

Cursor 通过自研基准 CursorBench 和实际工程测试，验证了 Claude Fable 5 在复杂模糊编程任务中的全局推理能力，显著提升开发效率补录

Cursor 通过自研基准 CursorBench 和实际工程测试，验证了 Claude Fable 5 在复杂模糊编程任务中的全局推理能力，显著提升开发效率。

Cursor团队发现公共基准与开发者实际体验脱节，自研CursorBench。Claude Fable 5在CursorBench上取得72.9%高分，并在实际工程测试中展现全局推理能力，能理解模糊任务意图，无需反复引导。这显著提升开发效率，降低复杂任务门槛，使团队能处理之前搁置的项目，并改变协作方式。核心观点： 1. Claude Fable 5在CursorBench上达到72.9%准确率（Max effort），创下新高。 2. 在登月模拟实验中，Fable 5通过全局推理成功登月，而Opus仅局部推理失败。 3. Schmidt团队将Fable 5与轻量模型结合，用于最难问题，优化时间成本。

推荐理由常规版本更新，跟进即可

AI编码智能体基准测试全局推理开发效率

71/100查看详情

腾讯混元与人大高瓴学院开源 PlanningBench，提供 30 余项真实任务与自动验证，支持 LLM 规划能力系统评估与提升补录

腾讯混元联合中国人民大学开源 PlanningBench 框架，提供 30 余项真实任务与自动验证能力，用于评估和训练大语言模型规划能力。

大语言模型的规划能力是从“说”到“做”的关键。腾讯混元联合中国人民大学高瓴人工智能学院开源 PlanningBench 框架，提供 30 余项真实任务与自动验证能力，支持对 LLM 规划能力的可扩展评估与训练。该框架为开发者和研究者提供了系统化的基准测试环境，有助于更准确地衡量和提升大语言模型的实际规划与执行水平。核心观点： 1. PlanningBench 涵盖 30 余项真实世界规划任务，用于评估大语言模型在实际场景中的规划表现。 2. 框架内置自动化验证机制，并同时支持对 LLM 规划能力的评估与训练。

同事件合集3 条来源

主线Tencent Hunyuan2026/06/05 15:46

Planning is where LLMs move from “saying” to “doing.” Tencent Hy, in collaboration with the Gaoling School of Artificial Intelligence at Renmin Un...

Planning i where LLM move from “ aying” to “doing.” Tencent Hy, in collaboration with the Gaoling School of Artificial Intelligence

查看来源

2Tencent Hunyuan2026/06/05 15:46

腾讯混元与人大高瓴人工智能学院开源 PlanningBench，含 30+ 真实任务与自动验证，支持 LLM 规划评测

Planning i where LLM move from “ aying” to “doing.” Tencent Hy, in collaboration with the Gaoling School of Artificial Intelligence

查看来源

3Tencent Hunyuan2026/06/05 15:46

Planning is where LLMs move from “saying” to “doing.” Tencent Hy, in collaboration with the Gaoling School of Artificial Intelligence at Renmin Un...

Planning i where LLM move from “ aying” to “doing.” Tencent Hy, in collaboration with the Gaoling School of Artificial Intelligence

查看来源

推荐理由常规版本更新，跟进即可

Benchmark规划能力自动验证开源框架

当前热点

Cursor 通过自研基准 CursorBench 和实际工程测试，验证了 Claude Fable 5 在复杂模糊编程任务中的全局推理能力，显著提升开发效率补录

Anthropic 通过压缩价值观为四个轴的方法，研究了 Claude 在不同模型和语言中的表达差异，发现模型版本和语言使用影响价值观倾向

OpenAI 发布了部署模拟方法，利用真实对话数据在模型发布前预测其行为，以提升安全性和评估准确性补录

腾讯混元与人大高瓴学院开源 PlanningBench，提供 30 余项真实任务与自动验证，支持 LLM 规划能力系统评估与提升补录