人工智能编程智能体孤立测试近满分,模拟职场完整完成任务不足十分之一

人工智能编程智能体在标准基准测试中已接近最高分。一项新实验首次把它们作为数字员工,放入一家模拟的软件公司里工作,环境中包含同事、项目看板和聊天记录。即便是Claude Opus 5.5和GPT-6 Astra,完整完成的任务也不足十分之一。与此同时,有关人工智能编程智能体的成功故事仍在不断增加。Anthropic表示,该公司生产环境中的代码有超过80%由Claude编写;SWE-bench等标准基准测试已接近饱和。文章据此指出,这些智能体在孤立测试中表现优异,但在模拟职场中能够完整完成的任务不到十分之一。文首另有“由THE DECODER提示的ChatGPT-5.6”字样。
编号 NEWS-21895
分类人工智能
时间2026-11-23 01:35:29
相关10