Agent 评测的下半场:为什么需要一个「活的」Benchmark?
Agent评测的下半场:为什么需要一个「活的」Benchmark?
这篇文章的正文被微信环境验证挡住了,实际内容没拿到。从标题和现有英文摘要看,它讨论的是 Claw-Eval-Live 这个基准测试,用 105 个任务测了 13 个前沿模型,表现最好的模型通过率也没超过 70%,HR 类任务平均通过率只有 6.8%。核心观点是静态评测不够用了,需要能动态更新的“活”基准来测 AI 智能体。
推荐理由:Claw-Eval-Live 用 105 个任务测了 13 个前沿模型,最好模型的通过率不到 70%,HR 类任务平均只有 6.8%,静态评测难以覆盖智能体落地时的真实表现。