Inilabas ng Berkeley RDI ang Agents' Last Exam benchmark
Orihinal na pamagat:Agents' Last Exam
AI summary
Noong Hunyo 2026, inilabas ng Berkeley RDI ang Agents' Last Exam (ALE) benchmark, na naglalaman ng mahigit 1,500 gawain mula sa tunay na trabaho, na sumasaklaw sa 55 na non-physical na propesyon. Ipinapakita ng ebalwasyon sa mga frontier agent tulad ng Fable 5, GPT-5.5 at Composer 2.5: 0% ang success rate sa pinakamahirap na antas; magkatulad ang pangkalahatang performance sa gawain, ngunit malaki ang pagkakaiba sa gastos bawat gawain (Fable 5 humigit-kumulang $15.70, GPT-5.5 humigit-kumulang $3.80, Composer 2.5 humigit-kumulang $1.33). Ang pinakamahusay na pass rate sa CLI subset na ALE-CLI ay 25.2% lamang. Ang pangunahing failure mode ay ang agent na nagdedeklarang tapos na nang hindi nagbe-verify ng output. Open source na ang dataset, code at CLI subset.
Mahahalagang impormasyon
- Noong Hunyo 2026,inilabas ng Berkeley RDI ang Agents' Last Exam (ALE) benchmark,na naglalaman ng…
- Ipinapakita ng ebalwasyon sa mga frontier agent tulad ng Fable 5,GPT-5.
- 5 at Composer 2.
- 5: 0% ang success rate sa pinakamahirap na antas
- magkatulad ang pangkalahatang performance sa gawain,ngunit malaki ang pagkakaiba sa gastos bawat…
Mabilisang tingin
- Na-publish noong
- Na-update noong
- Pinagmulan
- Berkeley RDI:Blog(AI 安全与评测)
- Kategorya
- Mga Papel at Pananaliksik
- AI na marka
- 83
在Fable 5发布后,Berkeley的ALE基准首次大规模量化了agent在专业任务上的真实水平,最难任务0%成功率的结果值得所有押注agent落地的团队冷静下来。
Pinagmulan at copyright
Ang artikulong ito ay batay sa mga piling pamagat at AI summary mula sa pampublikong API ng AIHOT, may nakasaad na pinagmulan at backlink; ang copyright ng orihinal na teksto ay pag-aari ng orihinal na media at may-akda, hindi namin ginagaya ang buong teksto.
Paano banggitin
Kapag binabanggit ang artikulong ito, panatilihin ang pamagat, petsa at permanenteng link, at banggitin ang Orange News bilang pinagmulan.
Orange News: Inilabas ng Berkeley RDI ang Agents' Last Exam benchmark. 15 Hunyo 2026. https://new.nat6.net/fil/news/cmqfzukav0264slspmybg065u/