Foresight-SWE显示智能体自查能力不足

OfirPress公布Foresight-SWE跨模型测试结果：11个编程智能体解决开发者指定问题的平均成功率为60.7%；若同时要求不引入开发者后来修复的缺陷，成功率降至14.8%。 结果表明，智能体虽能完成部分指定问题，但引入新缺陷的情况较多，难以通过自查同时满足功能实现与无新增缺陷的要求。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。