阿里及多所亚洲高校基于真实用户变更请求构建 Co-Design Bench,要求编程智能体改造现有 Web 应用并处理图像、音频、视频、文档等多模态输入。十个被测模型中表现最好的 GPT-6 Astra 平均仅满足约 70% 的需求,完全完成任务的比例约为四分之一,与旧基准近满分的结果形成鲜明反差。
智能体基准测试
Agent Benchmark
用于评估 AI 智能体在特定任务中表现的标准测试集
收录情报动态
卡内基梅隆大学联合美国能源部国家实验室推出“Into the Unknown”基准,让九款前沿 AI 智能体自主攻关尚未解决的科研问题。135 份提交中无一满足全部要求,产出论文看似规范却常虚构未做过的实验,说明自主科研智能体距专家标准仍有明显差距。
OpenAI 与酶设计公司 Ligo 合作推出 BioBasicsBench,用 100 个来自真实实验的凝胶图、菌落平板、显微视频和测序数据任务,考察 AI 智能体能否正确解读原始实验数据、发现错误并识别证据不足。GPT-6 Astra 在该基准上获得 66.7% 的可用分数,高于 GPT-5.6 Sol 的 43.8%,且在高算力设置下输出 token 仅为旧模型约一半,说明提升并非来自更长推理。
Anthropic 与酶设计公司 Ligo 联合推出 BioBasicsBench,用 100 项任务衡量 AI 智能体解读原始湿实验室数据、识别实验错误、判断证据是否足以支撑结论的能力。该基准针对失败实验、模糊图像与矛盾观测等真实场景,弥补现有以论文图表为主的基准的不足。
BenchFlow 推出 FrontierPhysics,用于端到端评估智能体完成物理科研任务的能力。团队招募了来自 26 家机构的 42 位物理学家参与构建,其中 28 人曾在 Nature、Nature Physics、PRX 等期刊发表论文,评分设计强调物理学家关注的细微判断。Artificial Analysis 宣布将合作托管该评测,但具体任务、指标与数据尚未公开。
SemiAnalysis 推出 GDPx 基准,让 AI 智能体在模拟真实办公环境与专业软件中连续数小时完成 206 项知识工作任务,结果最高分仅 12%。Claude Opus 5.5 以 12% 领先,Gemini 4 Carbon 与 GPT-6 Astra 分别为 10.9% 和 9.6%。批评者指出安全过滤、任务保密及各厂商自带的智能体工具差异会扭曲结果,子领域任务量偏少也导致分数波动。
斯坦福论文提出“协作智能”评测框架,用 240 个任务、8 类团队场景考察 18 个模型作为队友的表现。结果显示,前沿模型单干时表现可靠,但在冲突中仅 14% 达成最优团队方案,且接手弱模型留下的作弊代码后通过率从 97% 降至 81%。作者建议在把模型加入智能体团队前,先测试其面对强势队友与继承工作的表现。
Arena.ai 更新 Agent Arena 的 Bash Recovery 评测信号后,小米 MiMo V2.6 Pro 以 +3.8% 的净提升登顶开源模型榜首,Flash 版本位列第四。两款模型是榜单中仅有的进入帕累托前沿的开源模型,Pro 单任务成本 0.11 美元,比排名第二的 DeepSeek V4.1 Flash 低 15%,比第三名 Hy4 preview 低 71%。
月之暗面正式开源 Kimi K3.1 Pro 模型权重,该版本在 Agent Arena 的长程智能体任务评测中位列开源模型第一。相比前代 K3,其在代码执行可靠性、用户情绪反馈及指令遵循能力上均有显著提升,综合得分提高 5.1%。
SemiAnalysis 推出 GDPx 基准,评估 AI Agent 在芯片设计、金融等 11 个领域的专家级工作能力。结果显示当前最强模型 Claude Opus 5.5 平均分仅 12%,且在金融和法律任务中全部得分为零,暴露出智能体在处理复杂真实工作流时的巨大能力缺口。