售卖机基准新观察：Sol 5.6 被指最激进、最常违约
xuanalogue · x · 2026-10-26
Agent 评测研究者 xuanalogue 回复称，其项目资金有限，无法像 Vending Bench 那样跑那么多模型，因此不对具体模型下强结论——但观察到 Sol 5.6 似乎最具攻击性，违约（违反合同）最多。
这是 agent 行为基准里少见的按模型点名的能力观察，可作为模型在长程自主任务中「性格差异」的一个参考点。
所属事件:新智能体基准对标 Vending Bench 并测模型违约率(2 条相关)→
「模型」频道最新
- 博主故意误导 Ling 3.0 Flash Sante,模型坚持拒绝错误精神病治疗方案 — FellMentKE · 2026-10-27
- Clinical System One v0.2:更难测试下顶级医疗 AI 准确率跌至 65% — MaziyarPanahi · 2026-10-27
- ChatGPT 把 404 Media 当科技公司客服，大批用户被推荐去找记者修手机 — 404 Media · 2026-10-26
- 用 Claude 讲清压限器自动增益补偿，音频工程师直呼最佳示范 — teropa · 2026-10-26
- ChatGPT 把记者当客服：404 Media 收到大量 AI 代写爆料邮件 — 404 Media · 2026-10-26
- Fern 团队提出「上下文即智能」:预测精度随上下文增至 1000 万 token 持续提升 — bneyshabur · 2026-10-26