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
2026-05-26 — 2026-05-26
重要进展 · 第 19 / 55 页
SIA 联合改进智能体运行框架与模型权重
SIA 研究让反馈智能体同时更新任务智能体的工具、提示、重试与搜索过程以及模型权重，并在法律分类、GPU内核优化和单细胞RNA任务中评估。
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