METR 发布 RE-Bench：对比语言模型智能体与人类专家的 AI 研发能力
METR 发布 RE-Bench 基准，用 7 个 ML 研究工程环境衡量人类专家与前沿模型智能体的表现，并公开 71 次人类专家尝试及 Claude 3.5 Sonnet 和 o1-preview 的全部运行转录。
推荐理由：原文在同一环境公平对比人类专家与前沿模型智能体，并给出长短时间预算下得分反转的关键数据和完整开源转录。
AI 编码
全部主题AI 写代码的一切：编码助手、Vibe Coding、代码模型评测与开发工作流变革。
精选归档 · 第 38 页
第 741–745 条 · 共 745 条METR：Research（网页）精选AI 评分6262
DeepSeek：API 更新日志精选AI 评分7878 DeepSeek V2.5 模型发布：合并升级并提升代码与通用能力
DeepSeek 将 V2 Chat 与 Coder V2 合并升级为 V2.5，API 用户通过 deepseek-coder 或 deepseek-chat 均可访问。新模型在通用与代码能力上显著提升，ArenaHard winrate 升至 76.3%，HumanEval 达 89%。
推荐理由：DeepSeek 把 coder 和 chat 合并成 V2.5，API 端点不变但性能全线拉高，已有的集成直接受益，代码和通用能力不再是两张皮。
DeepSeek：API 更新日志精选AI 评分6363 DeepSeek-Coder 升级为 DeepSeek-Coder-V2-0724
DeepSeek 将 deepseek-coder 模型升级为 DeepSeek-Coder-V2-0724。此次升级为模型版本更新，具体参数规模、性能基准及可用性细节未在更新日志中披露。
推荐理由：DeepSeek Coder 升级到 V2-0724，编码能力再进一步，对 API 用户是直接可用的提升，虽然官方没给技术细节，但仍值得关注。
Eugene Yan：Writing精选AI 评分8282 Applied LLMs：一年 LLM 应用开发的经验总结
Eugene Yan 等六位作者发布长文 Applied LLMs，总结一年 LLM 应用开发经验，分战术、运营、战略三部分。战术层面涵盖 n-shot 与 CoT 提示词技巧、RAG 文档相关性、结构化输出工具 Instructor 和 Outlines、LLM-as-Judge 评测及幻觉防护；战略层面提出 PMF 之前不买 GPU、先提示词后微调、系统比模型更构成护城河等观点。
推荐理由：多位从业者基于一年真实开发经验总结提示词、RAG、评测到团队与战略的实践清单，读者可对照自己的 LLM 项目逐条借鉴。
Andrej Karpathy：Blog（网页）精选 Licklider 1960《人机共生》评述
Licklider 1960年论文《人机共生》提出"智能增强"(IA)是通向AI的过渡阶段，预测人机能力互补——计算机处理机械工作、人类负责思考，这一范式延续64年直至LLM打破界限。他预见云计算雏形，但误判技术路径：当时看好的逻辑推理AI成死胡同，而因缺乏数据被忽视的统计方法（LLM）终成主流。对交互预测也偏离现实：设想的多人协作大屏未普及，键盘鼠标仍是主导；对语音识别"5年实现"的乐观估计，实际耗时64年未成熟。
推荐理由：Karpathy 借 1960 年文献反思人机共生与 AI 发展路径，历史洞察深刻