行业与实践 · 标签「论文」

研究与基准测试2026-09-307 分钟
主流 Agent 基准可以被打穿：分数不再等于能力
加州大学伯克利等研究者报告，八个主流 Agent 基准都能在不真正解题的情况下拿到接近满分。采购和发布不该再把榜单分数当成能力本身。
研究与基准测试2026-09-308 分钟
τ^τ-Bench：评的不是当客服，而是能不能把客服 Agent 做出来
Sierra 与普林斯顿的 CC BY 论文把「构建 Agent」本身做成任务。53 道题、四个领域里，最强配置 Claude Opus 5 加 Claude Code 只通过 23.9% 的评测仿真，专家参考上限是 82.2%。
研究与基准测试2026-09-306 分钟
Terminal-Bench 2.1：89 道终端任务上的一次核对修订
Artificial Analysis 介绍的 Terminal-Bench 2.1 仍是 89 道硬任务，但修了环境和指令，让分数反映 Agent 能力而不是环境缺口。评测用 Terminus 2，每题三次取 pass@1。