Harbor适配器与索引：大规模智能体评测基础设施
原文标题：Harbor Adapters and Harbor-Index: Infrastructure and a Curated Meta-Dataset for Large-Scale Agentic Evaluation
重要度 4/5 · 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Harbor Adapters统一评测基础设施，将80多个基准适配到任意智能体，并构建Harbor-Index精选82个高难度任务。大规模评测8个模型在54个基准上的表现，最强配置GPT-5.5+Codex通过率仅28%，开源成果助力智能体可靠评测。
- 问题
- 智能体基准繁多且环境复杂，难以统一、可靠地评测各类智能体。
- 方法
- 构建80多个基准适配器统一接入任意智能体，并用难度过滤与人工审计精选出Harbor-Index。
- 结果
- 8个模型在54个基准上评测，最强配置GPT-5.5+Codex通过率仅28.0%，无配置超过30%。
- 影响
- 提供开源统一评测基础设施，让智能体能力对比有可复现的公共标尺。
深读 · 结论先行AI 生成展开看要点与影响 ↓
Harbor Adapters统一80多个智能体基准，最强配置GPT-5.5+Codex通过率仅28%。
- •适配器将80多个基准移植到任意智能体，并通过代码审查与对齐实验验证
- •在54个基准上评测8个模型，每个模型配Terminus-2及3种原生harness之一
- •Harbor-Index精选29个基准中的82个高难度任务，经难度过滤与人工审核
- •没有任何模型-harness组合通过率超过30%，最强为GPT-5.5+Codex的28.0%
为什么重要：智能体评测长期碎片化，统一基础设施与低通过率指数为「智能体到底行不行」提供了可比的硬标尺。
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。