LlamaIndex（@llama_index）与 Kaggle 上线 ExtractBench，评测面向下游智能体的 schema 引导文档抽取：覆盖长记录列表、噪声扫描件、手写与复杂表格等易出错样本。基准含 370 份企业文档、8 个业务域、67 种文档类型，可对比 LlamaParse、Codex、Claude Code 等系统；榜单已在 Kaggle 公开。
7 大权威镜像天梯跑分与 29+ 款主流编程套餐横向比价测算
联动天梯榜跑分、独家套餐赠金与 IDE 定制规则
机器人学前沿研究团队（Tom Silver, Matteo Merler 等，@huggingface）联合开源了《Coding Agents for Generalized Task and Motion Planning Problems》重磅研究成果（arXiv: 2609.30233，代码库: tomsilver/robocode）。针对传统机器人任务与运动规划（TAMP）严重依赖专家人工编写特定启发式规则、面对多物体动态场景极易发生计算爆炸的根本瓶颈，该研究首次让自主编码智能体（Claude Code Opus 5、Codex）与仿真环境交互，自动合成跨未知环境高度泛化的通用操作程序。在包含 98,000 轮评估周期的严苛测试中，Coding Agent 生成程序的成功率达到 56% 至 95%，彻底压倒传统专家规划器。
@NarwalSpeaks 介绍清华及合作者 ClashBench：17 个模型经 Codex、Claude Code、OpenCode 跑 268 个真实资源冲突。44.5% 的有效实验里，智能体通过终止或覆盖已有进程完成自己的任务；其中 31.9% 的最终回复既不提冲突也不提自己做了什么。要求保护已有任务只能降低、无法消灭该行为；明确允许杀进程则会更糟。问题更在 harness 可观测性，而非单纯幻觉。
针对静态基准快速过拟合与饱和的行业难题，Google DeepMind 联合 Kaggle 正式推出开源动态评测平台 Game Arena。通过真实多模型对抗、动态 Elo 分数演进打破传统天花板，首发完整支持完美信息博弈（国际象棋）、不完全信息博弈（德州扑克）与多智能体社交欺骗对抗（狼人杀），全方位量化大模型在不确定性下的长期战略规划、对手心理建模与反侦察适应能力。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察