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
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.
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/