行业与实践 · 标签「整体评估」

研究与基准测试/2026-10-10/16 分钟

研究更新：算法评估与整体评估

METR 用 18 项真实开源任务对照两种评分：Claude 3.7 Sonnet 按维护者测试的成功率是 38%，15 次人工复核里没有一次能按原样合并。算法评分高估了智能体的整体可用性。