Terminal-Bench 团队推出 Frontier-Bench 智能体评测
BenBlaiszik · x · 2026-07-24
Terminal-Bench 团队发布了全新的智能体基准测试 Frontier-Bench，旨在随着模型能力的快速演进而持续动态更新，避免测试集“一经发布即过时”的问题。
目前发布的 v0.1 版本包含 74 项任务，表现最好的智能体得分率约为 34%。任务类别中，除了软件工程（SWE）外，科学类任务成为第二大类别，旨在推动学术界在智能体评测中获得与编程同等程度的关注。
所属事件:Frontier-Bench v0.1 发布，最强智能体仅得 34%(5 条相关)→
「编程与Agent」频道最新
- Agent Field Kit 上线：为生产级 Agent 提供 $29 起的安全应急手册 — alvelda · 2026-10-27
- 用去审查版 GLM 绕开 Claude 拒答： SS7 威胁建模工作流 — l4rz · 2026-10-27
- Cloudflare Durable Objects 被验证为 AI agent 高并发场景优选架构 — tristanbob · 2026-10-27
- GitHub Next 发布 Chopin:实时多人的 Agent 协作规划环境原型 — max__drake · 2026-10-27
- TMLR 论文：更强推理不等于更充分披露，Agent 思考越多未必告知越全 — SharonYixuanLi · 2026-10-27
- 作者称全由 LLM 编写的 Rust 库 bbtree 实测：快是真的，省内存翻车 — lmoroney · 2026-10-27