Opus 4.8 با نرخ موفقیت ۲۶ درصدی در وظایف پیچیده کدنویسی پیشتازی کرد
دادههای جدید شکاف عمیقی را میان بنچمارکهای کوتاه و وظایف واقعی-طولانی کدنویسی نشان میدهند. مدل Opus 4.8 در جریانهای کاری چندساعته و پیچیده، عملکردی بهمراتب برتر از رقبا دارد.
موضوع
Autonomous agents, tool use, planning, multi-step workflows
۷٬۳۶۲ مقاله منتشر شده
دادههای جدید شکاف عمیقی را میان بنچمارکهای کوتاه و وظایف واقعی-طولانی کدنویسی نشان میدهند. مدل Opus 4.8 در جریانهای کاری چندساعته و پیچیده، عملکردی بهمراتب برتر از رقبا دارد.
یک ادغام جدید بدون کد (no-code) به کاربران n8n اجازه میدهد تا پاسخهای ChatGPT، Gemini و Perplexity را بهصورت برنامهریزیشده رصد کنند. این سازوکار موتورهای پاسخدهنده را به…
چارچوب جدید TypeScript به نام darwin-agents اجازه میدهد عاملهای هوش مصنوعی پرامپتهای خود را بازنویسی کنند، اما برای جلوگیری از افت کیفیت، آنها را از درگاههای سختگیرانه عبور…
پلتفرم MarketFish با ایجاد ۱۲۸ شخصیت متنوع از هوش مصنوعی، امکان تست ایدههای تجاری را پیش از تولید کد فراهم میکند. این ابزار بهجای پرسوجوهای ساده، ۳۰ دور شبیهسازی برای…
مدیریت خطاهای API در مدلهای زبانی بزرگ مشابه سرویسهای REST معمولی، منجر به افزایش هزینهها و ایجاد اثرات جانبی تکراری میشود. مهندسان باید یک تاکسونومی خطای آگاه از وظیفه را…
کورسور بنچمارک CursorBench 3.1 را برای ارزیابی عاملهای کدنویسی در محیطهای واقعی عرضه کرد. در حالی که مدل Fable 5 Max بالاترین دقت را دارد، مدلهای کوچکتری مانند Composer 2.5…
بهاوین توراکیا، کارآفرین هندی، ۳۰ میلیون دلار سرمایه شخصی را برای خلق پلتفرم Neo هزینه میکند. او معتقد است ابزارهای اداری فعلی تنها با افزودن چتبات به ساختارهای قدیمی بهروز…
آزمایشهای مدل Gemma 4 2B روی سختافزار محلی نشان میدهد که فاصله میان تولید توابع ساده و تغییرات واقعی در مخازن کد بسیار زیاد است. در حالی که مدل در وظایف محدود موفق است، در…
پلتفرم PlanetScale ابزاری برای کنترل ترافیک پایگاهداده معرفی کرد که به توسعهدهندگان اجازه میدهد برای پرسوجوهای Postgres بودجه مصرف منابع تعیین کنند. این سیستم با اعمال…
پژوهشگران Unit 42 دریافتند مهاجمان با پیشبینی دامنههایی که مدلهای زبانی بهطور مداوم توهم میزنند، وبسایتهای جعلی میسازند. این روش که «اسکواتینگ شبحی» نام دارد، اجازه میدهد…
اکوسیستم OpenClaw با بیش از ۵۰۰ آسیبپذیری امنیتی روبروست که امکان حملات زنجیره تأمین را فراهم میکند. سازمانها برای جلوگیری از تزریق اسکریپتهای مخرب و افزایش سطح دسترسی، باید…
یک پروژه آموزشی جدید نشان میدهد چگونه میتوان یک عامل اعتبارسنجی SQL را بدون استفاده از مدلهای زبانی گرانقیمت و تنها با قوانین قطعی و APIهای REST بنا کرد. این سیستم پیش از…