Kertas penyelidikan

Kajian METR dikemas kini: penilaian algoritma anggar tinggi keupayaan kejuruteraan perisian sebenar ejen AI

Tajuk asal:Research Update: Algorithmic vs. Holistic Evaluation

Ringkasan AI

METR menilai Claude 3.7 Sonnet (ejen Inspect ReAct) pada 18 isu sebenar dalam dua repositori stdlib-js dan hypothesis, kadar kejayaan penilaian algoritma mengikut kes ujian penyelenggara ialah 38% (±19%), tetapi daripada 15 PR yang disemak secara manual, tiada satu pun boleh digabungkan terus.

Maklumat penting

  • METR menilai Claude 3.
  • 7 Sonnet (ejen Inspect ReAct) pada 18 isu sebenar dalam dua repositori stdlib-js dan…
  • tetapi daripada 15 PR yang disemak secara manual,tiada satu pun boleh digabungkan terus.

Sekilas pandang

Diterbitkan pada
Dikemas kini pada
Sumber
METR:Research(网页)
Kategori
Kertas penyelidikan
Skor AI
61
Baca asal Baca artikel penuh di sumber asal
Sebab disyorkan

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。

Entiti Berkaitan

Sumber dan hak cipta

Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.

Pautan asal · Entri AIHOT

Cara memetik

Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.

Orange News: Kajian METR dikemas kini: penilaian algoritma anggar tinggi keupayaan kejuruteraan perisian sebenar ejen AI. 13 Ogos 2025. https://new.nat6.net/ms/news/cmtyo7nb703vbrog0wobc9ksx/

Lihat Semua →