FDE-Gym 新基准：前沿 AI Agent 在真实交付任务中表现惨淡

新基准 FDE-Gym 聚焦「AI 交付最后一英里」，将 AI 智能体置于前置部署工程师角色，用源自能源、医疗、机器人、金融等 18 个行业、20 个真实场景改编的客户交付任务进行评测。结果显示顶级 Agent 在 95 个真实任务中仅完整解决 14 个，前沿模型最高得分不过 0.56，揭示了 Agent 在规范化基准与真实交付之间的巨大性能差距。

2026-10-16 ~ 2026-10-16 · 2 条相关