跳到正文

评测基准

模型到底谁强：Benchmark 成绩、评测方法论争议与排行榜变化的持续记录。

当前仅显示精选新闻
62条精选相关主题模型发布论文研究推理能力

最新精选

第 61–62 条 · 共 62 条
2月24日周二
  1. AI as Normal Technology70

    AI as Normal Technology 团队发布论文《Towards a Science of AI Agent Reliability》

    Sayash Kapoor、Arvind Narayanan 与 Stephan Rabanser 等人发布 66 页论文《Towards a Science of AI Agent Reliability》，将智能体可靠性拆解为一致性、鲁棒性、可预测性、安全性四维共 12 项指标。

    推荐理由：论文把智能体可靠性拆成12个维度并实测14个模型，显示18个月内准确率大涨而可靠性仅小幅提升。

9月25日周四
  1. Factory 研究 / 产品64

    Factory Droid 以 58.8% 登顶 Terminal-Bench，并详解智能体设计方法

    Factory 宣布其软件开发智能体 Droid 以 58.8% 的任务解决率在 Terminal-Bench 排行榜第一，Opus 4.1、GPT-5 和 Sonnet 4 三种单模型配置均显著领先其他单模型智能体，并超过 Codex CLI（42.8%）和 Claude Code（43.2%）。

    推荐理由：原文在成绩之外给出智能体设计的可复用做法，如分层提示词、模型专属适配和精简工具，能帮助改进自己的 Agent。