Bài báo & nghiên cứu

Berkeley RDI phát hành chuẩn đánh giá Agents' Last Exam

Tiêu đề gốc:Agents' Last Exam

Tóm tắt AI

Tháng 6/2026, Berkeley RDI phát hành chuẩn đánh giá Agents' Last Exam (ALE), bao gồm hơn 1.500 nhiệm vụ bắt nguồn từ công việc thực tế, bao phủ 55 nghề phi thể chất. Đánh giá các tác nhân tiên phong như Fable 5, GPT-5.5, Composer 2.5 cho thấy: tỷ lệ thành công ở cấp độ khó nhất đều là 0%; hiệu suất tổng thể gần nhau, nhưng chi phí mỗi nhiệm vụ khác biệt lớn (Fable 5 khoảng 15,70 USD, GPT-5.5 khoảng 3,80 USD, Composer 2.5 khoảng 1,33 USD). Tỷ lệ vượt qua tốt nhất của tập con CLI ALE-CLI chỉ 25,2%. Chế độ thất bại chính là tác nhân tuyên bố hoàn thành mà không xác minh đầu ra. Bộ dữ liệu, mã và tập con CLI đã được mở mã nguồn.

Thông tin chính

  • Tháng 6/2026,Berkeley RDI phát hành chuẩn đánh giá Agents' Last Exam (ALE),bao gồm hơn 1.
  • 500 nhiệm vụ bắt nguồn từ công việc thực tế,bao phủ 55 nghề phi thể chất.
  • Đánh giá các tác nhân tiên phong như Fable 5,GPT-5.
  • 5,Composer 2.
  • 5 cho thấy: tỷ lệ thành công ở cấp độ khó nhất đều là 0%

Tóm tắt nhanh

Đăng lúc
Cập nhật lúc
Nguồn
Berkeley RDI:Blog(AI 安全与评测)
Danh mục
Bài báo & nghiên cứu
Điểm AI
83
Đọc bản gốc Đọc toàn văn tại nguồn tin gốc
Lý do đề xuất

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。

Nguồn và bản quyền

Bài viết này được tổng hợp dựa trên các tiêu đề chọn lọc và tóm tắt AI từ API công khai của AIHOT, đã ghi rõ nguồn và liên kết ngược; bản quyền nội dung gốc thuộc về cơ quan truyền thông và tác giả gốc, trang này không sao chép toàn văn.

Liên kết gốc · Mục AIHOT

Cách trích dẫn

Khi trích dẫn bài viết này, vui lòng giữ nguyên tiêu đề, ngày đăng và liên kết vĩnh viễn, đồng thời ghi rõ nguồn là Orange News.

Orange News: Berkeley RDI phát hành chuẩn đánh giá Agents' Last Exam. 15 tháng 6 2026. https://new.nat6.net/vi/news/cmqfzukav0264slspmybg065u/

Xem tất cả →