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
2025-02-02 — 2025-02-02
重要进展 · 第 35 / 55 页
ChatGPT 推出多步骤 deep research
OpenAI 在 ChatGPT 推出 deep research，通过搜索、分析网页与材料完成多步骤研究并提供引用。初期向 Pro 用户开放；后续扩大范围不与首发混淆。
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