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
2025-02-24 — 2025-02-24
重要进展 · 第 55 / 105 页
Claude Code 进入研究预览
Anthropic 与 Claude 3.7 Sonnet 一起推出终端式 Claude Code 研究预览，使开发者能委托模型处理较完整的软件工程任务。
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