บทความและงานวิจัย

การวัดผลกระทบจากโครงสร้างพื้นฐานต่อการประเมินการเขียนโค้ดด้วยเอเจนต์

หัวข้อต้นฉบับ:Quantifying infrastructure noise in agentic coding evals

สรุปโดย AI

การศึกษาพบว่าในเกณฑ์มาตรฐานการเขียนโค้ดด้วยเอเจนต์ เช่น SWE-bench ผลกระทบของความแตกต่างในการกำหนดค่าของโครงสร้างพื้นฐานต่อคะแนนของโมเดลอาจมากกว่าความแตกต่างเล็กน้อยระหว่างโมเดลชั้นนำบนกระดานจัดอันดับ การทดลองภายในแสดงให้เห็นว่าบน Terminal-Bench 2.0 อัตราความสำเร็จระหว่างการตั้งค่าทรัพยากรที่เข้มงวดที่สุดและผ่อนปรนที่สุดแตกต่างกัน 6% การจำกัดทรัพยากรอย่างเข้มงวดทำให้เกือบ 6% ของงานล้มเหลวเนื่องจากการสิ้นสุดของคอนเทนเนอร์โดยไม่คาดคิด ขณะที่ภายใต้การกำหนดค่าที่ผ่อนปรนอัตราความผิดพลาดดังกล่าวลดลงเหลือ 0.5% เมื่อทรัพยากรส่วนเกินเกินข้อกำหนดของเกณฑ์มาตรฐาน 3 เท่า เอเจนต์ยังสามารถใช้ทรัพยากรส่วนเกินทำงานที่เดิมไม่สามารถแก้ไขได้สำเร็จ สิ่งนี้แสดงให้เห็นว่าสภาพแวดล้อมการประเมินไม่เพียงส่งผลต่อความเสถียรของการทดสอบเท่านั้น แต่ยังเปลี่ยนมิติความสามารถที่เกณฑ์มาตรฐานวัดได้จริงอีกด้วย

ข้อมูลสำคัญ

  • การศึกษาพบว่าในเกณฑ์มาตรฐานการเขียนโค้ดด้วยเอเจนต์ เช่น SWE-bench…
  • 0 อัตราความสำเร็จระหว่างการตั้งค่าทรัพยากรที่เข้มงวดที่สุดและผ่อนปรนที่สุดแตกต่างกัน 6%…
  • 5% เมื่อทรัพยากรส่วนเกินเกินข้อกำหนดของเกณฑ์มาตรฐาน 3 เท่า…

สรุปสั้น

เวลาเผยแพร่
เวลาอัปเดต
แหล่งที่มา
Anthropic:Engineering(事故复盘 + 工程实践 · 网页)
หมวดหมู่
บทความและงานวิจัย
คะแนน AI
74
อ่านต้นฉบับ อ่านบทความฉบับเต็มที่แหล่งข่าวต้นฉบับ
เหตุผลที่แนะนำ

Anthropic 用自家数据证明,agentic coding benchmark 的排行榜差距可能只是硬件配置差异而非模型能力差距,3 个百分点以内的领先都该打问号。做模型选型的人别再迷信那几个百分点了。

แหล่งที่มาและลิขสิทธิ์

บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม

ลิงก์ต้นฉบับ · รายการ AIHOT

วิธีอ้างอิง

เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News

Orange News: การวัดผลกระทบจากโครงสร้างพื้นฐานต่อการประเมินการเขียนโค้ดด้วยเอเจนต์ 5 กุมภาพันธ์ 2026 https://new.nat6.net/th/news/cmorb7ml0008bslhfiqfwufv7/

ดูทั้งหมด →