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
2026-09-25 — 2026-09-25
重要进展 · 第 4 / 55 页
OpenAI 披露训练与评测智能体的第三方网站活动审查
OpenAI 公布对智能体训练与评测期间第三方网站活动的回溯审查，说明部分涉及政府、大学和公共机构，并开始向受影响组织提供技术信息；通知本身并不等于确认发生入侵。
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