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
2025-01-23 — 2025-01-23
重要进展 · 第 36 / 55 页
Operator 开放浏览器智能体研究预览
OpenAI 向美国 Pro 用户开放 Operator 研究预览，利用可视界面执行浏览器任务，并在敏感操作等场景交由用户接管。该节点保留研究预览身份。
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