新行業動態
96
熱度指數
研究發現 Agent 基準測試 Terminal-Bench 存在缺陷並修正
2026/11/07 — 11/07 09:16·1 個來源（全部）·1 篇報道（全部）
核心速覽 (Key Takeaways)
- 斯坦福大學 Ré 實驗室研究發現 Agent 基準測試 Terminal-Bench 中約有三成任務存在缺陷。
- 修復這些缺陷後，測試模型的整體得分普遍上漲了 10 個百分點。
事件背景與詳細解讀
據掘金 2026-11-07 報道，斯坦福大學 Ré 實驗室研究發現 Agent 基準測試 Terminal-Bench 中約有三成任務存在缺陷。報道將該團隊的做法概括為把「基準會腐爛」這件事工程化，即在基準釋出後模型仍在進步的情況下，對任務缺陷進行系統化排查和修正。修復這些缺陷後，測試模型的整體得分普遍上漲了 10 個百分點。目前該修正工作由斯坦福大學 Ré 實驗室完成並對外公佈，Terminal-Bench 被缺陷修復後的測試結果及具體受影響任務清單尚未在報道中展開。
AI 綜合 1 篇報道生成 · 更新於 30 分鐘前
24 小時熱度熱度指數 96
剛上榜，走勢正在積累
24 小時前現在
- 熱度指數
- 96
- 全部來源
- 1
- 全部報道
- 1
- 首報
- 1 小時前
這件事的報道 點標題看原文
今天
據掘金報道，斯坦福大學 Ré 實驗室研究發現 Agent 基準測試 Terminal-Bench 中約有三成任務存在缺陷。修復這些缺陷後，測試模型的整體得分普遍上漲了 10 個百分點。
揭示了 Agent 評測基準存在的質量問題，對理解模型評測結果有參考價值。
掘金AI 評分 61
同時在說的其他事
- 熱度指數 891發酵中Anthropic 擬感恩節前上市，擬募 800 億至 1000 億美元13 個來源
- 熱度指數 762發酵中Inkling 2 Small 釋出，傳公司以 400 億美元估值融資12 個來源
- 熱度指數 742OpenAI 開放 GPT-6 Cyber 並公佈其訪問與定價16 個來源
- 熱度指數 739新OpenAI 完成 110 億美元首期融資，估值 1.25 萬億美元8 個來源
- 熱度指數 632Muse 上線 Spaces 功能與新模型，商業條款仍暫停10 個來源
熱度怎麼算的？瞭解口徑收起
熱度按 48 小時內有多少個獨立來源在說這件事算：同一個來源發多條只算一次，並按 24 小時半衰期衰減，所以排前面的是很多人在說的事。
本頁彙總公開訂閱源，標題與摘要由模型整理，版權歸原作者所有；重要資訊請回原文核對。如權利人認為相關標題或摘要侵權，請通過頁尾聯絡郵箱提供具體頁面與權利依據，我們核實後會及時刪除或替換。
- 爆
- 討論快速增加
- 新
- 首報 6 小時內
- 發酵中
- 討論仍在增加