PawBench: una vara de medir para los agentes generales
Resumen de IA
El laboratorio Tongyi presenta el nuevo benchmark PawBench v1.0, orientado a asistentes personales y agentes generales, que integra el modelo base y el framework de ejecución Harness en un mismo sistema para una evaluación cruzada. La matriz de evaluación incluye 9 modelos y 3 Harness (Hermes, OpenClaw y QwenPaw), y cubre 150 tareas reales con un total de 4050 unidades de prueba. Los resultados muestran diferencias significativas entre QwenPaw (76.4 puntos), OpenClaw (75.4 puntos) y Hermes (70.4 puntos), y que el impacto del entorno Harness en el rendimiento es incluso mayor que el del propio modelo. PawBench también revela mediante análisis por segmentos brechas clave del Harness en la validación de productos, el descubrimiento proactivo de Skills y la disponibilidad predeterminada de la búsqueda web. El proyecto es de código abierto.
Puntos clave
- El laboratorio Tongyi presenta el nuevo benchmark PawBench v1.
- 0,orientado a asistentes personales y agentes generales,que integra el modelo base y el framework…
- La matriz de evaluación incluye 9 modelos y 3 Harness (Hermes,OpenClaw y QwenPaw),y cubre 150…
- Los resultados muestran diferencias significativas entre QwenPaw (76.
- 4 puntos),OpenClaw (75.
Resumen rápido
- Publicado
- Actualizado
- Fuente
- 公众号:通义实验室(千问)
- Categoría
- Productos y aplicaciones
- Puntuación IA
- 70
PawBench 把 Harness 从‘看不见的手’变成可诊断的变量,好 Harness 能让弱模型以下克上,这份评测对 Agent 框架开发者是一份必读的校验清单。
Fuente y derechos
Este artículo se basa en títulos seleccionados y resúmenes de IA de la API pública de AIHOT, con atribución y enlaces de vuelta. Los derechos del original pertenecen a los medios y autores originales; este sitio no reproduce textos completos.
Cómo citar
Al citar este artículo, conserva el título, la fecha y el enlace permanente, e indica que la fuente es Orange News.
Orange News: PawBench: una vara de medir para los agentes generales. 5. junio 2026. https://new.nat6.net/es/news/cmq2o71l001imsl6nw5cypu9a/