同一个任务跑二十遍，最好的智能体分数掉了三分之一。
一个叫 Thinkingbox 的新基准，把 507 个业务流程从干净状态各跑二十遍。Claude Opus 5 单次能做对 66.5% 的任务，二十次全对的只有 47.5%。Kimi K3 掉得更狠，从 57.4% 跌到 17.6%，差距就在稳定性上。
为什么重要?演示里智能体成功一次就够，你的工作要它每次都成功。这个基准看的是它改完的数据库，不是它自己写的汇报。
在App中阅读——免费，9种语言
相关新闻
一个模型没有用训练所有AI的那套方法就学会了写字。2026-10-06TikTok把购物机器人放进了你正在看的视频里。
2026-10-06维基媒体怀疑OpenAI的智能体造成了五月的那次宕机。
2026-10-06Meta的助手给你生活里每个人都建了按小时更新的档案。
2026-10-05两名参议员要求让放任智能体黑客的高管坐牢。
2026-10-05