Agent Arena 长程任务实测：前沿模型用时差距达 55 分钟

LMArena 推出 Agent Arena，用于测量复杂真实世界的长程 agent 任务。评测任务横跨数百轮对话，涵盖把代码库移植到 Rust、审计投资策略文档、撰写数学教材等。对五大实验室旗舰模型的对比显示，长程会话显著放大了前沿模型之间的差距，模型完成任务用时相差可达 55 分钟，为评估 agent 能力提供了新的维度。

2026-11-05 ~ 2026-11-05 · 2 条相关