DAREBench：面向部署的智能体评估基准
原文标题：DAREBench: Deployment-Aware and Reliable Evaluation of Models as Agents
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
DAREBench是一个新的智能体评估基准，基于OpenClaw环境，包含233个任务，按输入模态和执行形式分为2x3工作负载矩阵。研究评估了23个商业API模型和12个本地开源模型，发现没有单一模型在所有任务组中占优，文本与多模态任务存在不同的准确率-成本权衡。该基准强调部署决策应考虑工作负载、部署模式和成本，而非单一总分。
- 问题
- 现有智能体基准绑定特定任务或环境，难以支撑部署选型决策。
- 方法
- DAREBench基于OpenClaw统一环境，将233个任务按输入模态与执行形式组织成2x3工作负载矩阵，统一协议与证据审计。
- 结果
- 评估23个商业API与12个本地开源模型、7587次运行；无单一模型全组占优，本地模型部分组有竞争力但整体落后。
- 影响
- 模型选型应从单一总分转向按工作负载、部署模式和成本权衡，适合做智能体落地的团队参考。
深读 · 结论先行AI 生成展开看要点与影响 ↓
DAREBench用233任务、7587次运行评估35个模型，结论是没有单一模型通吃所有工作负载。
- •基于OpenClaw统一环境，233个任务取自22个源基准，按输入模态×执行形式构成2×3矩阵
- •评估23个商业API模型与12个本地开源模型，共7587次模型-任务运行，同时报告准确率与token消耗
- •文本与多模态任务的准确率-成本权衡不同，本地开源模型在部分组别具竞争力但整体仍落后前沿商业模型
- •主张部署选型应看工作负载、部署模式与成本，而非单一总分
为什么重要：给做智能体选型与部署的团队一个可操作的评估框架：总分排名不足以支撑决策，需按自身工作负载分组看成本。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。