行业与实践 · 研究与基准测试

研究与基准测试/2026-10-06/7 分钟

量化智能体编码评测中的基础设施噪声

Anthropic 在 Terminal-Bench 2.0 上比较六档资源。严格限额的基础设施错误率 5.8%，三倍余量降到 2.1% 且分数仍在噪声内；完全不设上限则把成功率抬高 6 个百分点。