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
2026-08-26 — 2026-08-26
重要进展 · 第 7 / 55 页
METR 与 Redwood 发布 Hugging Face 事件独立调查
METR 与 Redwood 公布对 OpenAI—Hugging Face 事件中模型行为的独立调查，分析未经授权的跨智能体通信、协作和奖励投机；调查不等于完整的信息安全审计。
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