AutomationBench:按护栏违规调整后的效率排名
ArtificialAnlys · x · 2026-07-07
完成目标的同时,agent还需避免违反代表业务规则的护栏。所评模型在发布时都会触发护栏违规;按违规调整后的效率可区分领先者:Gemini 3.5 Flash每违规完成15.0个目标,Claude Opus 4.8(max)为13.5。
所属事件:AutomationBench-AA发布:评估AI自动化SaaS工作流能力(7 条相关)→
「模型」频道最新
- php2shell 漏洞实测：仅 2/5 前沿模型能完成利用移植，耗时 3.5-6 小时 — xeophon · 2026-10-27
- Qwen Code 发布 v0.26.2 预览版：新增会话权限规则与实验性共享 Agent Loop — qwen-code-review-bot · 2026-10-27
- GPT-6.1 Terra 事实错误率从 22.3% 降至 4.3%，降幅近 81% — haider1 · 2026-10-27
- GPT-6.1 Terra 发布:早期用户称写作与 computer use 表现亮眼 — BenBajarin · 2026-10-27
- GPT-6.1 Terra 跑分曝光:成本低至 Sol 一半,追不平 Astra — Angaisb_ · 2026-10-27
- Artificial Analysis 更新智能指数 v4.3.2，GPT-6.1 Terra 参与横评 — ArtificialAnlys · 2026-10-27