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。
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