Agents' Last Exam 基准全量跑在 HF 基础设施上,小米 MiMo 登顶超 Kimi K3
yb2698 · x · 2026-10-21
Berkeley RDI 牵头、300+ 行业专家参与的 agent 基准「Agents' Last Exam」宣布全部运行在 Hugging Face 基础设施上,OpenAI、Anthropic、Qwen、DeepSeek 等主要实验室发布时都用过该基准。
- 技术栈整合:过去跑 agent 基准需要模型服务器、每任务隔离沙箱、结果存储层加跨 2-3 个云的胶水脚本;现在用 HF Jobs 跑模型服务/沙箱/编排器,HF Buckets 跨任务挂载实现数据共享与持久化,trace 自动渲染便于调试,一个 token 搞定、零胶水代码。
- 基准规模:目标 5000 个任务,已收集 1500+,覆盖全部 55 个目标子行业,聚焦长程、有经济价值、结果可验证的真实职业任务,如 After Effects 动画、Siemens NX 3D 建模、Unreal 场景搭建、制造仿真、脑影像分析等。
- 排行榜看点(配图):小米 MiMo-V2.6-Pro-RL 以 31.6 分居首,Kimi K3 28.29 分第二,MiMo-V2.6-Flash-RL 27.6 第三,Qwen3.8-Flash-Next 24.3 分第五——国产模型霸榜前列。
「编程与Agent」频道最新
- REA + Claude Opus 5.5 可逆向任意安卓 APK,附完整工程化 Prompt — Roger_M_Taylor · 2026-10-21
- AI Agent 编排仓储物流:36 托盘 12 波次零阻塞同步运转 — Roger_M_Taylor · 2026-10-21
- 35 万星 REA 仓库：用 Claude 技能 10 分钟逆向拆解任意商业模式 — Roger_M_Taylor · 2026-10-21
- 用 Rust 开发玩具 LLM：Candle 还是 Burn？作者纠结框架选型 — Enderlook · 2026-10-21
- Dots 云电脑里保住 Tailscale 连接：踩坑后开源一键恢复脚本 — CH_CGV · 2026-10-21
- 一个免费 Claude Skill 把任何知识变成可拆解互动机器 — Roger_M_Taylor · 2026-10-21