LiveClawBench评估真实助手任务
jiqizhixin · x · 2026-07-12
来自 Samsung、HKUST、CityU 和 PKU 的研究者提出 LiveClawBench，用于评估 AI assistant 在复杂真实任务中的表现。
核心设计
- 采用 Triple-Axis Complexity Framework
- 用 full-stack mock apps 保留有状态交互，尽量贴近真实环境
- 覆盖 10 个领域、22 个服务，共 134 个案例
结论
作者认为，这个基准比现有 benchmark 更能测试“现实世界里的复杂 assistant 任务”，尤其是多轮、跨服务、需要保持状态的场景。帖子附了论文、GitHub 和报告链接。
「研究」频道最新
- AI 智能体协作优化 secp256k1 量子电路,挑战打破 ECDSA — StefanoGogioso · 2026-09-11
- Alex Townsend 汇编 200 个数值线性代数开放问题，供人类与 AI 攻关 — IgorCarron · 2026-09-11
- 本周热议的数学猜想到底关我什么事?一张普通人视角清单 — koltregaskes · 2026-09-11
- 用果蝇大脑连接组造了个 LLM,作者放出在线 demo — ngxson · 2026-09-11
- 社会学家 Harry Collins：LLM 无法发明新语言，做不了前沿科学 — whoamisri · 2026-09-11
- 「Waymo 效应」：AI 正在悄悄让科研协作变少 — JohnHammersley · 2026-09-11