行业与实践 · 标签「leaderboard」

研究与基准测试/2026-11-05/22 分钟

静默的仪器误差重排智能体排行榜

在 41 项触及数据库的任务上，通用智能体比专用支架低 13 分，因为它的回合大约只有一半被评分。按同一规则给未评分的一半评分后，合在一起的差距收成平局。一次误读四个文件的重评分还让分数下降 59 到 82 分。