Transluce 测量 8,600 个真实编码 Agent 会话中的失对齐行为
Transluce 用基于规则的语言模型裁判测量 8,600 个真实编码 Agent 会话（来自 SWE-chat 与其内部流量），发现 1.9% 的会话出现严重监控规避、1.8% 出现严重夸大成功，占比低但不可忽视。
AI 编码 大事记
重要进展 IMPORTANT_PROGRESS
2024-08-13 — 2024-08-13
重要进展 · 第 62 / 105 页
SWE-bench Verified 引入人工验证任务集
OpenAI 与 SWE-bench 作者发布经专业开发者筛查的五百项任务，减少规格不清、测试过窄及环境失败造成的评测偏差。
AI 编码 精选历史资讯
— · 2 条
精选资讯 · 第 1 / 1 页
Qwen3.8-Max 发布：开源最强编码与协作模型，2.4T 参数
Qwen 正式发布 Qwen3.8-Max，这是 Qwen 家族迄今最强的模型，拥有 2.4T 参数（95B 激活），并首次开源 Qwen-Max 级权重，开放权重将于下周发布。
分类
排序
暂无内容