aiminute. ← 全部AI新闻
研究 AI Minute Newsroom 2026-10-06

同一个任务跑二十遍,最好的智能体分数掉了三分之一。

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。
#AI智能体

✓ 已核实 · 1个来源

WhatsApp X Telegram
在App中阅读——免费,9种语言

相关新闻

诱饵测试曝光泄露后,OpenRouter停用三家推理服务商。
2026-11-22
研究人员称攻破Meta的Muse智能体并取走聊天记录。
2026-11-22
OpenAI称新模型几乎挡住了所有窃取推理过程的攻击。
2026-11-22
Lean社区称AI辅助的黎曼猜想证明正确无误。
2026-11-22
研究者称一款开源AI模型靠修改自身权重变得更强。
2026-11-21