METR actualiza su estudio: la puntuación algorítmica sobreestima la capacidad real de ingeniería de software de los agentes de IA
Título original:Research Update: Algorithmic vs. Holistic Evaluation
Resumen de IA
METR evaluó Claude 3.7 Sonnet (agente Inspect ReAct) en 18 issues reales de los repositorios stdlib-js y hypothesis; la tasa de éxito según la puntuación algorítmica basada en los casos de prueba de los mantenedores fue del 38% (±19%), pero ninguno de los 15 PR revisados manualmente podía fusionarse directamente.
Puntos clave
- METR evaluó Claude 3.
- 7 Sonnet (agente Inspect ReAct) en 18 issues reales de los repositorios stdlib-js y hypothesis
- la tasa de éxito según la puntuación algorítmica basada en los casos de prueba de los mantenedores…
Resumen rápido
- Publicado
- Actualizado
- Fuente
- METR:Research(网页)
- Categoría
- Artículos e investigación
- Puntuación IA
- 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。
Entidades relacionadas
Fuente y derechos
Este artículo se basa en títulos seleccionados y resúmenes de IA de la API pública de AIHOT, con atribución y enlaces de vuelta. Los derechos del original pertenecen a los medios y autores originales; este sitio no reproduce textos completos.
Cómo citar
Al citar este artículo, conserva el título, la fecha y el enlace permanente, e indica que la fuente es Orange News.
Orange News: METR actualiza su estudio: la puntuación algorítmica sobreestima la capacidad real de ingeniería de software de los agentes de IA. 13. agosto 2025. https://new.nat6.net/es/news/cmtyo7nb703vbrog0wobc9ksx/