Industry & Practice · Tagged “开源任务”

Research & Benchmarks/2026-10-10/16 min

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。