熱門話題
#
Bonk 生態迷因幣展現強韌勢頭
#
有消息稱 Pump.fun 計劃 40 億估值發幣，引發市場猜測
#
Solana 新代幣發射平臺 Boop.Fun 風頭正勁
Yaron (Ron) Minsky
偶爾做 OCaml 程式設計師。主持@signalsthreads。
@yminsky@discuss.systems
@yminsky.bsky.social
https://t.co/kiUGRvWOO2
他們進行這項研究真是太棒了。這顯示了任何使用這些模型進行嚴肅工程工作的人的觀察，但在公共數據中卻是看不見的。
3月11日 00:34
基準測試如何映射到現實世界的能力？為了研究這一點，我們聘請了 4 位在 SWE-bench Verified 中使用的倉庫的維護者來審查代理代碼。
在通過 SWE-bench 的評分器的代理 PR 中，維護者會合併約一半。這在考慮到維護者決策中的噪音時仍然成立。
119
熱門
排行
收藏