Artículos e investigación

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
Leer el original Leer el artículo completo en la fuente original
Por qué importa

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.

Artículo original · Ficha de AIHOT

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/

Ver todo →