一篇新论文介绍了 Terminal-Bench 2.1,这是一个用于评估编码代理的更新基准测试,解决了“基准测试维护债务”问题,即随着模型改进,旧基准测试会过时。研究人员发现,原始 Terminal-Bench 2.0 中约有 30% 存在问题,而 2.1 版本中的修复将准确率提高了 10 多个百分点。研究还强调了资源分配(如时间限制)对代理性能的重大影响,表明这些参数是基准测试规范的关键组成部分。 AI
影响 强调了持续评估 AI 模型的需求以及资源分配对性能指标的影响。
排序理由 学术论文,介绍新的基准测试和方法论。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Estefany Kelly Buchanan
- GPT-5.4
- GPT 5.4 Mini
- Hugging Face
- Terminal-Bench 2.0
- Terminal-Bench 2.1
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →