头版Folia Daily Briefing
← 返回头版
科技人工智能

AI能独立完成的最大软件项目有多大?

Anthropic与METR联合推出了MirrorCode基准测试,用以衡量AI模型在长期编码任务中的独立能力[1]。该基准要求AI在无法获取原始源代码的情况下,完整重新实现整个程序,涵盖Unix工具、数据序列化、生物信息学、解释器、静态分析、密码学和压缩等25个不同领域的目标程序[1]。

Claude Opus 4.7在该基准上展现了显著成果。该模型成功重新实现了约16,000行Go代码的生物信息学工具包gotree,其中包含40多条命令,耗时仅14小时,成本为251美元,而完成相同工作的人类工程师需要2至17周[1]。该实现通过了2,000个测试中的2,000个,仅在一个利基命令的边界情况测试中失败[1]。

MirrorCode的测试规模相当可观,每次尝试的预算达到100亿tokens,评估范围涵盖30个任务,即15个目标程序在2种实现语言下的版本,每个任务运行3次[1]。最大的单次任务运行成本达2,600美元,AI在此期间可无需人类干预地工作19天[1]。其中22个目标程序及其132个任务实例已作为开源代码发布,覆盖6种编程语言,而3个私有测试集则被保留[1]。


MirrorCode基准测试AI代码生成Claude Opus 4.7长期编码任务软件工程