★ 3
SlackBench 发布：评测智能体在真实代码协作项目中的表现
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…
arXiv cs.AI6 小时前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
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…