Using a skill to eval Codex vs Pi

摘要

展示如何使用 Braintrust 的評估技能，在 Claude Code 中比較 Codex 與 Pi 兩個代理在 SWE-bench 資料集上的表現。觀眾能學習如何設計評估指標、捕捉執行軌跡並進行成本與安全性的歸因分析。

This video demonstrates how to use a skill in Braintrust to evaluate and compare two AI agents on a specific benchmark dataset.

這筆內容還沒有取得字幕或內文，這段摘要只根據標題與說明欄產生，可能不夠準確；實際內容請以原站為準。

提到的工具與公司

• Claude Code
• Codex CLI
• Pi
• GPT-5.6 Sol
• SWE-bench Verified

適合誰看

適合正在開發或評估 AI 代理系統的工程師與資料科學家。

摘要依據

依據

標題與說明欄（還沒有取得字幕或內文）

為什麼排在這裡

人氣

0.12

新鮮

0.86

在主題頁與搜尋結果裡，名次由相關、人氣、新鮮三個分數決定；這一頁沒有搜尋的關鍵字，所以沒有相關分數。排序怎麼算

相關內容

• 不管你用Codex 還是 Claude 都必須要知道Skills 很危險？4招肉眼排查法 + 免費神工具，秒測 Skill 安全性！ ｜泛科學院影片 ・ 泛科學院 ・ 7 分鐘
• GPT 5.4 is a big step for CodexPodcast ・ Interconnects ・ 7 分鐘
• Octen + Opus 5.5: This MAKES your AGENT 10X BETTER for less than $1!影片 ・ AICodeKing ・ 14 分鐘
• How to Build Codex Skills Better than 99% of People影片 ・ Nate Herk ｜ AI Automation ・ 27 分鐘
• Evals Skills for Coding Agents文章 ・ Hamel Husain（部落格）
• Agentic Engineering Benchmarks: How I RANK Astra, Fable 5.1, and Open-Weights影片 ・ IndyDevDan ・ 39 分鐘