Anthropic 量化智能体代码评测中的基础设施噪声

Anthropic 发现智能体代码评测深受基础设施配置影响，在 Terminal-Bench 2.0 上仅靠放宽资源上限就可产生 6 个百分点的成绩差距。实验表明，严格的容器配额容易因瞬时内存峰值触发 OOM 误杀，而充裕资源则允许智能体使用重型依赖或暴力解法；SWE-bench 内存扩大 5 倍后分数也提升 1.54 个百分点。