Papers & Forschung

METR-Studie: Algorithmische Bewertung überschätzt die tatsächlichen Software-Engineering-Fähigkeiten von AI-Agenten

Originaltitel:Research Update: Algorithmic vs. Holistic Evaluation

KI-Zusammenfassung

METR bewertete Claude 3.7 Sonnet (Inspect ReAct Agent) anhand von 18 realen Issues in den Repositories stdlib-js und hypothesis. Die algorithmische Erfolgsrate nach den Testfällen der Maintainer lag bei 38 % (±19 %), doch von 15 manuell geprüften PRs konnte keiner direkt gemergt werden.

Kernpunkte

  • METR bewertete Claude 3.
  • 7 Sonnet (Inspect ReAct Agent) anhand von 18 realen Issues in den Repositories stdlib-js und…
  • Die algorithmische Erfolgsrate nach den Testfällen der Maintainer lag bei 38 % (±19 %),doch von 15…

Auf einen Blick

Veröffentlicht
Aktualisiert
Quelle
METR:Research(网页)
Kategorie
Papers & Forschung
KI-Bewertung
61
Original lesen Den vollständigen Artikel bei der Originalquelle lesen
Warum es wichtig ist

METR 用人工评审对照算法评分,给出量化证据说明测试类基准为何高估智能体的真实软件工程能力。

Verwandte Entitäten

Quelle & Urheberrecht

Dieser Artikel basiert auf kuratierten Titeln und KI-Zusammenfassungen der öffentlichen AIHOT-API, mit Quellenangabe und Rückverlinkung. Das Urheberrecht am Original liegt bei den ursprünglichen Medien und Autoren; diese Seite spiegelt keine Volltexte.

Originalartikel · AIHOT-Eintrag

Zitierhinweis

Beim Zitieren dieses Artikels bitte Titel, Datum und Permalink beibehalten und Orange News als Quelle angeben.

Orange News: METR-Studie: Algorithmische Bewertung überschätzt die tatsächlichen Software-Engineering-Fähigkeiten von AI-Agenten. 13. August 2025. https://new.nat6.net/de/news/cmtyo7nb703vbrog0wobc9ksx/

Alle ansehen →