研究人员推出SWE-Journey,这是一个旨在更真实地评估Claude Code和Codex等编码助手的新基准测试。该基准测试通过关注长时程任务和多轮交互来解决现有评估的局限性,这对于实际软件开发至关重要。该系统使用弱到强合成流水线来创建扩展编码任务,并基于四种不同的用户画像模拟真实的交互。初步结果表明,虽然助手在软件架构师场景下表现良好,但在与非编码人员交互时却面临显著困难,这凸显了它们在支持技术专业知识较少的用户方面的能力差距。 AI
影响 该基准测试通过突出当前在处理复杂、交互式任务方面的局限性,有望促使开发出更强大、更用户友好的编码助手。
排序理由 该项目是一篇研究论文,介绍了一个用于评估AI编码助手的新基准测试。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.MA (Multiagent) 阅读 →
- alphaXiv
- arXiv
- CatalyzeX
- Claude Code
- Codex
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- Influence Flower
- LLM agents
- ScienceCast
- SWE-Journey
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →