S
SkillNav

AI 编程基准 MirrorCode：完成人类数周任务，成本仅数百美元

深度2026年7月27日8 分钟阅读
AI 编程基准 MirrorCode：完成人类数周任务，成本仅数百美元
Epoch 和 METR 联合发布 MirrorCode 基准测试，评估 AI 系统完成长周期编程任务的能力。结果显示，Claude Opus 4.7 和 GPT-5.5 能以 100-400 美元的成本在数小时内重写数万行代码的项目，但仍有 8 个目标程序从未被完美解决。
本文编译自 Import AI 466: The bitter lesson for robotics, AIs complete week-long programming tasks; and OpenAI’s accidental AI hacker，版权归原作者所有。

觉得有用？分享给更多人

获取每周 AI 工具精选

工具推荐、实战教程和生态洞察，每周更新。

关注 @skillnav_dev →阅读周刊

相关文章

Kubernetes 准备好运行 AI Agent 了吗？

Kubernetes 原本假设软件只做开发者让它做的事，但 AI Agent 会自主推理、调用工具、编写代码，打破了这一前提。文章讨论了 Agent 负载对 Kubernetes 提出的三大挑战：安全沙箱缺失、生命周期极短需要快速启动、以及监控难题，并介绍了社区正在探索的 agent substrate 方案——让 Agent 在热池中保持挂起状态以实现毫秒级恢复。

深度The New Stack·10月25日·5 分钟

AWS 安全智能体修复 89% 漏洞，但有个前提

AWS 正式发布代码安全智能体 Continuum，在其自研的 CyberGym-E2E 基准测试中取得 89% 的端到端修复成功率，相比之前公开最高分 65.9% 大幅提升。但基准测试仅覆盖 C/C++ 内存安全漏洞，且由 AWS 自行执行；在历史漏洞修复这一项上得分仅 37.8%，说明修复的未必是预设目标漏洞。

深度The New Stack·10月24日·3 分钟

评论