Continual-ARC 基准：主流 Agent 均无法从经验中学习
nikola_mr64990 · x · 2026-11-12
Unify.ai 团队发布新基准 Continual-ARC，检验 agent 是否真正能从经验中持续学习。结果：OpenClaw、Hermes Agent 和 Prime Agent 都「没有有意义地从经验中学习」——既无法记住有价值的信息，也无法泛化到新任务；而微调一个 9B 小模型的权重则两者兼得。
转发者补充：这不只是记忆信息的问题，而是判断什么值得保留并应用到新问题的能力。该基准为「agent 真学习能力」提供了可量化的测试方法，值得研究者和 agent 开发者关注。
所属事件:Continual-ARC 基准：主流 Agent 无法从经验学习，9B 微调模型反超(15 条相关)→
「编程与Agent」频道最新
- 斯坦福 NLP 课程作业精华：亲手搭 agent harness 胜过框架速成 — stanfordnlp · 2026-11-12
- Anthropic 详解 Agent 记忆组件：用 dreaming 整理记忆并评测效果 — RLanceMartin · 2026-11-12
- 1000 个 Fable 5.2 Agent 协作形式化费马大定理，作者将开讲 — RLanceMartin · 2026-11-12
- 观点：AI 基础设施正演变为「编码运行时」，智能单元将超越 token — prateekj · 2026-11-12
- Claude Docs/Slides 拒绝外部 MCP 接入，无公开 API 只能导出 — steipete · 2026-11-12
- Anthropic 详解 Agent 记忆：让 Claude「做梦」整理会话记录纠错建知识 — rseroter · 2026-11-12