★ 3
Terminal-Bench 任务难度真伪之辨
论文基于 Terminal-Bench 3 / Frontier-Bench 0.1 的冻结生产记录（1081 个 PR、639 个计分任务、28801 次试验、约 10.6 万美元智能体开销），审视全失败任务究竟证明了什么。在 125 个无诚实通过的任务中，仅 78 个通过有效性筛查成为认证未解…
arXiv cs.LG39 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文基于 Terminal-Bench 3 / Frontier-Bench 0.1 的冻结生产记录（1081 个 PR、639 个计分任务、28801 次试验、约 10.6 万美元智能体开销），审视全失败任务究竟证明了什么。在 125 个无诚实通过的任务中，仅 78 个通过有效性筛查成为认证未解…