SlackBench 发布：评测智能体在真实代码协作项目中的表现
原文标题：SlackBench: Benchmarking Agents on Collaborative Projects Grounded in Real Code Repositories
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。
研究者提出 SlackBench 基准，基于真实科研项目的隐私保护重演，构建包含多方对话、决策演进与 GitHub 代码变更的可复现环境。该基准含 140 条查询，覆盖异构来源检索、拒答、摘要与情境推断。在 33 个前沿模型与智能体框架中，最佳系统得分约 80%，多数低于 66%，显示协作场景仍有较大提升空间。
- 问题
- 现有基准多用合成数据或孤立任务，无法衡量真实协作项目中的智能体表现。
- 方法
- SlackBench 基于真实科研项目的隐私保护重演，构建含多方对话、决策演进与 GitHub 代码变更的可复现环境，共 140 条查询。
- 结果
- 33 个前沿模型与智能体框架中最佳系统得分约 80%，多数低于 66%。
- 影响
- 暴露协作场景下智能体能力的真实差距，为代码协作类 Agent 产品提供更贴近生产的评测。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SlackBench 含 140 条查询，33 个前沿模型与框架中最佳约 80%，多数低于 66%
- •基于真实科研项目的隐私保护重演，环境含多方对话、决策演进与 GitHub 代码变更
- •140 条查询覆盖异构来源检索、拒答、目标导向摘要与长对话情境推断
- •评测 33 个前沿模型与智能体框架，最佳系统约 80%，多数低于 66%
- •任务不可简化为静态语料问答，需判断哪些对话重要并跨来源调和冲突证据
为什么重要：现有基准多用合成数据或孤立任务，SlackBench 把协作项目的多方动态纳入评测，为智能体「数字同事」定位提供更贴近真实的知识工作标尺。
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。