論文・研究

METR研究アップデート:アルゴリズム評価はAIエージェントの実際のソフトウェアエンジニアリング能力を過大評価

原題:Research Update: Algorithmic vs. Holistic Evaluation

AI 要約

METRはstdlib-jsとhypothesisの2リポジトリの18件の実際のissueでClaude 3.7 Sonnet(Inspect ReActエージェント)を評価した。メンテナのテストケースによるアルゴリズム評価の成功率は38%(±19%)だったが、人手レビューした15件のPRのうち直接マージできるものは1件もなかった。

要点

  • METRはstdlib-jsとhypothesisの2リポジトリの18件の実際のissueでClaude 3.
  • 7 Sonnet(Inspect ReActエージェント)を評価した。
  • メンテナのテストケースによるアルゴリズム評価の成功率は38%(±19%)だったが、人手レビューした15件のPRのうち直接マージできるものは1件もなかった

概要

公開日時
更新日時
出典
METR:Research(网页)
カテゴリ
論文・研究
AI スコア
61
原文を読む 情報源で全文を読む
おすすめの理由

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。

関連エンティティ

出典と著作権

本記事は AIHOT の公開 API が提供する厳選タイトルと AI 要約に基づいており、出典の明記と元記事へのリンクを行っています。原文の著作権は元の媒体と著者に帰属し、当サイトは全文を転載しません。

原文記事 · AIHOT 記事

引用方法

本記事を引用する際は、タイトル・日付・パーマリンクを保持し、出典をOrange Newsと明記してください。

Orange News:METR研究アップデート:アルゴリズム評価はAIエージェントの実際のソフトウェアエンジニアリング能力を過大評価。2025年8月13日。https://new.nat6.net/ja/news/cmtyo7nb703vbrog0wobc9ksx/

すべて見る →