Grok 4.6 夺冠银行业 Agent 工具基准测试
XFreeze · x · 2026-08-23
Grok 4.6 在 Artificial Analysis 更新的 τ³-Banking 基准测试中登顶榜首。该测试旨在评估 AI 模型在智能体工具使用场景下的能力，要求模型在 700 份相互关联的银行政策文档中导航，理解客户问题并推理规则，最终通过正确的工具调用序列完成实际任务。测试涵盖争议处理、账户冻结、信用额度调整、产品变更及多步客户请求等真实工作流，评分完全基于任务是否实际正确完成。
「模型」频道最新
- 爆料人称 Opus 5 或采用深度循环架构，方向仍存变数 — scaling01 · 2026-10-16
- GPT-6.1 审查 arXiv：6% 论文主定理有错，近两月降至 1.5% — nitarshan · 2026-10-16
- Nvidia 联手 Nolla 后训练 Nemotron 3.5 VL，皮肤科诊断称超越前沿 — LoganGrasby · 2026-10-16
- Gemini 4 Argon 登顶 ARC-AGI-3 达 97.5%，第二家破 95% — patience_cave · 2026-10-16
- 微软 MAI 自研 3T 参数基座模型亮相，多项 held-out 评测领先 — soldni · 2026-10-16
- Datadog 发布 Scout 1.0：基于 GLM-5.3 Flash 微调的 SRE 专用模型 — Tim_Dettmers · 2026-10-16