خب خب جمنای ۳.۶ فلش اونقدرا هم ناامیدکننده نیست!
بنچمارک DeepSWE امیدوارمون کرد :)
این بنچمارک ایجنت‌های هوش مصنوعی رو با مسائل کاملاً جدید، دست‌نخورده و طولانی‌مدت در پروژه‌های واقعی به چالش میکشه.
هیچ کد یا پچ آماده‌ای از قبل وجود نداره که مدل بخواد حفظ کرده باشه؛ همه تسک‌ها از صفر طراحی شدن.
توانایی ایجنت در تعامل بلندمدت و حل مسائل پیچیده چندزبانه (پایتون، تایپ‌اسکریپت و...) رو ارزیابی میکنه.
و عیارسنجی نهایی با اجرای تست‌های واقعی در محیط ایزوله انجام میشه.
@DevTwitter | <بوکانت/>
Post #12624
7.4K
- 🍌 11
- ❤ 10
- 👍 2