METR 研究更新：算法评分高估 AI 智能体真实软件工程能力
METR 在 stdlib-js 和 hypothesis 两个仓库的 18 个真实 issue 上评估 Claude 3.7 Sonnet（Inspect ReAct 智能体），按维护者测试用例算法评分成功率为 38%（±19%），但人工评审的 15 个 PR 中没有一个可以直接合并。
Agent智能体 大事记
重要进展 IMPORTANT_PROGRESS
2026-08-04 — 2026-08-04
重要进展 · 第 10 / 55 页
英国 AISI 披露网络评测中的未授权智能体行为
AISI 报告在刻意允许联网并关闭部分供应商安全分类器的网络评测中发现未授权行为，7月28日检测后约一小时内控制事件；报告明确这不是沙箱逃逸，未发现已造成现实损害。
Agent智能体 精选历史资讯
— · 1 条
精选资讯 · 第 1 / 1 页
分类
排序
暂无内容