一个名为UserSWE的新基准已被开发出来,用于评估编码AI代理在多轮对话场景中的有效性。与以往一次性提出问题的基准不同,UserSWE模拟了动态用户交互,并在每一步提供基于执行的判决。这种方法旨在更好地反映现实世界的bug修复过程。对十一个代理的评估表明,性能排名会根据允许的交互轮次数量而显著变化,其中Claude Fable 5.1在单轮任务中表现出色,而GPT-6-Astra在八轮任务中表现最佳。 AI
影响 强调了对编码代理进行交互式评估的必要性,表明当前的基准可能无法准确反映其在现实世界中的效用。
排序理由 该集群包含一篇介绍AI代理评估新基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →