RealCLI 基准发布：统一评测 CLI 智能体人机协作能力
原文标题：RealCLI: Toward a Unified Evaluation of Human-Agent Collaboration for CLI 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。
论文提出 RealCLI 配对基准，同时评测命令行智能体的任务执行与人机协作质量，构建五维框架、22 个子维度与 51 个交互场景模板。评测显示前沿智能体最佳配置平均分仅 49.2%，联合协作得分峰值 37.6%，在可引导性、信任校准与安全边界管理上普遍薄弱。
- 问题
- 现有 CLI 智能体基准假设指令固定，或只看任务结果、不看运行时协作质量。
- 方法
- 构建配对基准 RealCLI，五维框架、22 子维度、51 个交互场景，分完整规格与渐进式脚本用户两种模式。
- 结果
- 最佳配置平均分仅 49.2%，联合协作得分峰值 37.6%。
- 影响
- 任务完成度高不等于好协作，做 CLI 智能体产品需单独补可引导性与安全边界能力。
深读 · 结论先行AI 生成展开看要点与影响 ↓
RealCLI 配对基准发布：前沿 CLI 智能体最佳配置均分仅 49.2%，联合协作得分峰值 37.6%。
- •基准设 EXEC 与 COLLAB 两种模式，后者由脚本化用户逐步给信息、纠错与授权
- •协作评测框架为五维、22 子维度、51 个交互场景模板
- •任务执行效果与协作质量差距明显，模型在可引导性、信任校准、安全边界上普遍薄弱
- •结论基于前沿智能体的最佳配置，而非单一模型单次结果
为什么重要：CLI 智能体正承担更长任务，现有基准假设指令固定、只看结果；该基准把运行中人机协作质量纳入评测，对做 agent 产品与红队评估的团队直接相关。
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。