VAmoS Energy：更真实的多请求语音智能体基准
原文标题：VAmoS Part Deux: Harder, More Realistic Voice-Agent Simulation
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 VAmoS Energy 基准，包含 100 通关于水电账单与支付协助的电话，每通含 2 至 4 个请求，智能体拥有 16 个工具并接入有状态 Stripe 计费孪生与 Apache Fineract 贷款引擎，账户访问需先通过来电者验证。在 14 个语音栈上完成率介于 17.3% 至 44.7%，Grok Voice 领先，背景电视声使汇总完成率从 38.7% 降至 8.6%。
- 问题
- 现有语音智能体评测未覆盖多请求、背景人声与用户失去耐心等真实生产条件。
- 方法
- 构建 100 通水电账单电话基准，含 16 个工具、有状态 Stripe 计费孪生与 Fineract 贷款引擎，需来电者验证。
- 结果
- 14 个语音栈完成率 17.3%–44.7%，Grok Voice 领先；背景电视声使汇总完成率从 38.7% 降至 8.6%。
- 影响
- 暴露语音智能体在真实噪声与多任务下的严重短板，做语音客服产品的团队应据此重设评测口径。
深读 · 结论先行AI 生成展开看要点与影响 ↓
14个语音栈完成率仅17.3%至44.7%，背景电视声把汇总完成率从38.7%砍到8.6%。
- •基准含100通水电账单与支付协助电话，每通2至4个请求，智能体配备16个工具
- •接入有状态Stripe计费孪生与Apache Fineract贷款引擎，账户访问须先通过来电者验证
- •任务使用公开家庭用电数据与基于宾夕法尼亚州居民计费规则的政策；LLM验证器与代码验证器在99.1%检查上一致
- •14个语音栈各重复3次，完成率17.3%至44.7%，Grok Voice领先，Gemini 3.8 Live与GPT-Live以相近单次成本紧随
- •背景电视使汇总完成率从38.7%降至8.6%；模拟来电者常接受错误结果，因为只能听到话术而无法检查动作
为什么重要：语音智能体的评测必须覆盖整通电话——说了什么、改了什么、如何应对竞争语音，单轮语音识别指标会严重高估可用性。
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。