Meta tag

Swe-bench Verified

2 članka

Half of AI Code Fails Real-World Review Despite Benchmark Glory

db#3072

AI kod pobjeđuje benchmarke, ali zapinje kod ljudi koji ga moraju održavati

Istraživanje grupe METR pokazuje da gotovo polovica AI-generiranog koda koji prolazi SWE-bench benchmark ne bi dobila zeleno svjetlo od stvarnih developera u produkcijskom okruženju.

11 Mar 2026

AI’s latest safety trick: Behavior trees over black-box hype

Umjetna inteligencija

db#1451

LLM agenti dobili vanjsku kontrolu – ali radi li to u praksi?

Novi pristup iz arXiv papira smanjuje kršenja sigurnosti s 2,8% na 0,2% — ali samo za zadatke koje već poznaje.

09 Mar 2026

🇬🇧 EN