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
2025-09-02 — 2025-09-02
重要进展 · 第 45 / 105 页
GitHub 开源 Spec Kit 推动规范驱动开发
GitHub 开放 Spec Kit，以可持续维护的规格、规划和任务约束编码 Agent 的实现过程，探索更可检验的 AI 开发方法。
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