METR 发布 RE-Bench：对比语言模型智能体与人类专家的 AI 研发能力
METR 发布 RE-Bench 基准，用 7 个 ML 研究工程环境衡量人类专家与前沿模型智能体的表现，并公开 71 次人类专家尝试及 Claude 3.5 Sonnet 和 o1-preview 的全部运行转录。
AI 编码 大事记
重要进展 IMPORTANT_PROGRESS
2025-09-21 — 2025-09-21
重要进展 · 第 43 / 105 页
SWE-Bench Pro 扩展长程软件工程评测
SWE-Bench Pro 聚焦更复杂的企业级仓库问题，包含公开、保留和商业任务分区，考察 Agent 的长程软件工程能力。
AI 编码 精选历史资讯
— · 1 条
精选资讯 · 第 1 / 1 页
分类
排序
暂无内容