Subiecte populare
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Yaron (Ron) Minsky
Ocazional programator OCaml. Gazdă de @signalsthreads.
@yminsky@discuss.sisteme
@yminsky.bsky.social
https://t.co/kiUGRvWOO2
Minunat că au făcut acest studiu. Demonstrează lucruri pe care oricine folosește modelele pentru muncă inginerească serioasă le-ar putea vedea, dar este invizibil în datele publice.
11 mar., 00:34
Cum se potrivesc benchmark-urile cu capabilitățile din lumea reală? Pentru a studia acest lucru, am angajat 4 administratori ai repo-urilor folosite în SWE-bench Verified pentru a revizui codul agentului.
Dintre PR-urile agenților care au trecut evaluatorul SWE-bench, întreținerii ar fuziona ~jumătate. Aceasta ține cont de zgomotul în deciziile de întreținere.
126
Limită superioară
Clasament
Favorite