openai 最新研究表明：ai 编程能力仍逊于人类程序员，即使是最先进的模型也无法胜任大多数编程任务。
OpenAI CEO 萨姆·奥尔特曼曾预测，AI 模型将在年底超越“低级别”软件工程师。然而，OpenAI 研究人员近期发表的论文却挑战了这一说法。研究人员使用名为 SWE-Lancer 的新基准测试工具（基于 Upwork 上 1400 多个软件工程任务）对 o1、GPT-4o 和 Claude 3.5 Sonnet 三款大型语言模型 (LLMs) 进行了评估。
SWE-Lancer 基准测试涵盖两类任务：独立任务（修复漏洞）和管理任务（高层次决策）。测试中，模型无法访问互联网，避免直接抄袭现有答案。
结果显示，虽然这些 LLM 完成任务的速度远超人类，但它们只能解决一些表面问题，无法深入理解漏洞的根本原因，提供的解决方案往往“错误或不完整”。这些“半成品”解决方案，对于熟悉 AI 协作的人来说并不陌生——AI 擅长生成看似合理的答案，但经不起仔细推敲。
使用 @youdotcom-oss/teams-anthropic 将 Anthropic Claude 模型（Opus、Sonnet、Haiku）添加到 Microsoft Teams.ai 应用程序中。可选集成 You.com MCP 服务器以进行网页搜索和内容提取。
Claude 3.5 Sonnet 的表现优于 o1 和 GPT-4o，但在多数情况下答案仍然是错误的。研究人员强调，实际应用中，AI 模型需要具备更高的可靠性。
总而言之，这项研究表明，尽管先进的 LLM 能够快速处理一些细节任务，但其编程能力远不及人类工程师。虽然 LLM 技术不断进步，但目前仍不足以取代人类程序员。然而，令人担忧的是，一些 CEO 已经开始解雇人类程序员，转而使用这些尚不成熟的 AI 模型。
