微软研究：清空对话历史可让 AI 研究智能体找到更优解
微软研究院一项研究观察了反复提出、评估并改进方案的 Autoresearch 智能体，发现同一任务下八次独立运行的最终得分在 68.3 到 100.0 之间分化，且加大算力也无法缩小差距，原因在于对话上下文累积把搜索限制在作者称为 idea basins 的相似解区域内。
#编码
#编码
今日 0 条The DecoderAI 评分7070
Ars Technica · AIAI 评分6161 哈佛研究：AI编码智能体生成更多代码，但软件产出并未增加
哈佛大学研究者 Fiona Chen 和 James Stratton 分析了 Jellyfish 的工程团队数据分析，覆盖 2021 年至 2026 年 3 月间 700 多家软件开发公司的 70 多万名员工、3 亿条工作事件（如提交和拉取请求）。
GitHub Blog · AI & MLAI 评分4444 ReviewBench：面向 AI 代码审查的开源基准
微软发布开源离线基准 ReviewBench，用于评估 AI 代码审查智能体的表现，基于 GitHub 上 103.9M 个真实 pull request 的分布构建。
The DecoderAI 评分4343 LEGO-Bench：AI 智能体用照片生成 3D 场景，却判断不了自己做得对不对
研究团队提出 Image-to-Code 方法，让编码智能体看单张照片写 Blender 程序并迭代修正，同时发布包含 208 张图像、443 个资产的 LEGO-Bench 评测。
Hugging Face BlogAI 评分5555 用更少 token 实现 ACE：ALTK-Evolve 在 AppWorld 上以约四成成本取得更高完成度
IBM 研究团队提出 ALTK-Evolve，与 ACE 一样让智能体从自身轨迹中学习经验并在推理时注入，不做权重更新也不需要人工标注，区别在于经验的交付方式。
MIT News · AIAI 评分3131 MIT 新方法让 2D 设计更高效地转为 3D 模型，加速快速原型制作
MIT 等机构研究人员开发出 GIFT（Geometric Inference Feedback Tuning）系统，教视觉语言模型自动把 2D 设计转换为可直接执行的 CAD 程序，精度更高且只用约 20% 的算力。
Hugging Face BlogAI 评分4747 ScarfBench：面向企业 Java 框架迁移的 AI 智能体基准
Hugging Face 发布开源基准 ScarfBench，用于评测 AI 智能体在企业 Java 跨框架迁移中的表现，覆盖 Spring、Jakarta EE、Quarkus 三大生态。
Hugging Face BlogAI 评分2626 Hugging Face 发布 3LM：面向阿拉伯语 LLM 的 STEM 与代码基准
Hugging Face 推出 3LM（علم），首个专门评估阿拉伯语 LLM 在 STEM 与代码生成能力的多组件基准，包含 865 道真实 STEM 选择题、1744 道合成高难度题，以及译成阿拉伯语的 HumanEval+ 和 MBPP+ 代码任务。
Hugging Face Blog精选AI 评分6868 Open R1 发布 CodeForces-CoTs 数据集、IOI 基准与 OlympicCoder 代码模型
Open R1 发布第三期更新，包括从 DeepSeek-R1 蒸馏的近 10 万条 C++ 与 Python 竞赛编程思维链数据集 CodeForces-CoTs、基于 2024 国际信息学奥林匹克（IOI）的新基准，以及微调的 7B 和 32B 模型 OlympicCoder。
推荐理由：Open R1 公布了从 R1 蒸馏的代码推理数据集、IOI 基准与两个开源模型，可看蒸馏训练的具体做法与教训。
Hugging Face BlogAI 评分4343 BigCodeBench：下一代 HumanEval 基准发布
Hugging Face 发布 BigCodeBench，包含 1,140 个函数级任务，需组合 139 个库中的多次函数调用，用于评测 LLM 在无污染的真实编程任务上的能力。每个任务平均配 5.6 个测试用例，分支覆盖率平均 99%，并另设更难、面向指令微调模型的 BigCodeBench-Instruct 变体。
Hugging Face BlogAI 评分3737 Meta 发布 CyberSecEval 2：评估 LLM 网络安全风险与能力的评测框架
Meta 推出 CyberSecEval 2，用于评估 LLM 生成不安全代码、抵抗提示词注入、配合网络攻击、滥用代码解释器以及自动化攻击性网络安全能力。相比 2023 年 12 月的首版，LLM 配合网络攻击请求的平均合规率从 52% 降至 28%。所有代码已开源，可接入排行榜。
Hugging Face Blog精选AI 评分6262 StarCoder2-15B-Instruct 发布：完全透明可许可的自对齐代码模型
Hugging Face 发布 StarCoder2-15B-Instruct-v0.1，这是首个用完全可许可且透明的管线自对齐训练的代码大语言模型。它用 StarCoder2-15B 自行生成数千条指令-响应对再微调自身，不使用人工标注或大型闭源模型的蒸馏数据，在 HumanEval 上取得 72.6 分，超过 CodeLlama-70B-Instruct 的 72.0 分。
推荐理由：原文公开了完全透明的自对齐数据管线，读者可据此了解不依赖 GPT-4 蒸馏也能训练代码指令模型。
Hugging Face BlogAI 评分4444 Hugging Face 推出 LiveCodeBench 排行榜：面向代码 LLM 的无污染整体评估
Hugging Face 上线 LiveCodeBench 排行榜，基于 UC Berkeley、MIT 和 Cornell 研究者开发的基准，通过按发布时间标注 LeetCode、AtCoder、CodeForces 题目，支持按时间窗口滚动评估以检测和防止数据污染。