FDE-Gym基准测试显示AI代理表现有限

发生了什么

据X平台@dair_ai发布的研究摘要，FDE-Gym基准测试评估AI代理作为前置部署工程师的表现。在95个真实客户交付任务中，最佳代理配置仅完全解决14个任务。主要失败原因是遗漏未声明的约束条件。在13种配置中，最高平均得分为0.56。