Update ng pananaliksik ng METR: labis na tinatantya ng algorithmic scoring ang tunay na kakayahan sa software engineering ng AI agents
Orihinal na pamagat:Research Update: Algorithmic vs. Holistic Evaluation
AI summary
Sinuri ng METR ang Claude 3.7 Sonnet (Inspect ReAct agent) sa 18 tunay na issue sa dalawang repository na stdlib-js at hypothesis; ayon sa algorithmic scoring batay sa test cases ng maintainer, ang success rate ay 38% (±19%), ngunit sa 15 PR na manu-manong sinuri, wala ni isa ang direktang maaaring i-merge.
Mahahalagang impormasyon
- Sinuri ng METR ang Claude 3.
- 7 Sonnet (Inspect ReAct agent) sa 18 tunay na issue sa dalawang repository na stdlib-js at…
- ayon sa algorithmic scoring batay sa test cases ng maintainer,ang success rate ay 38%…
Mabilisang tingin
- Na-publish noong
- Na-update noong
- Pinagmulan
- METR:Research(网页)
- Kategorya
- Mga Papel at Pananaliksik
- AI na marka
- 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。
Kaugnay na Entity
Pinagmulan at copyright
Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.
Paano banggitin
Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.
Orange News: Update ng pananaliksik ng METR: labis na tinatantya ng algorithmic scoring ang tunay na kakayahan sa software engineering ng AI agents. 13 Agosto 2025. https://new.nat6.net/fil/news/cmtyo7nb703vbrog0wobc9ksx/