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
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.
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/