⌘ K
… 读取采集状态 同步中...
雷

评测基准

模型到底谁强:Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。

最新精选

第 41–42 条 · 共 42 条
8月4日周二
10月31日周四
  1. Anthropic Research87

    Claude 3.5 Sonnet 在 SWE-bench Verified 上达成 49% 新纪录

    升级后的 Claude 3.5 Sonnet 在软件工程评测基准 SWE-bench Verified 上取得了 49% 的成绩,超过了此前最先进的 45% 水平。 Anthropic 官方发布文章解析了围绕该模型构建的智能体框架,展示了如何通过极简的脚手架和特定的工具接口设计最大化模型性能。

    推荐理由:文章提供了针对 Claude 3.5 Sonnet 在 SWE-bench Verified 上取得 49% 成绩的智能体框架设计细节,包括提示词结构和工具规范。