新基准显示 GPT 5.5 在真实世界任务中超越 Claude Fable 5

一项由加州大学伯克利分校等机构研究人员开发的新基准测试“智能体最后的考试”（ALE）揭示了 AI 智能体性能方面令人惊讶的结果。在最具挑战性的任务中，Anthropic 的 Claude Fable 5 和 OpenAI 的 GPT 5.5 等领先模型得分均为零，表明在处理复杂、真实世界任务方面存在显著局限性。在稍具挑战性的任务上进行测试时，GPT 5.5 的表现优于 Claude Fable 5，这与之前的基准测试结果有所不同。 AI

影响 该基准测试突显了 AI 智能体理论性能与实际应用之间的差距，表明尽管在传统基准测试中表现强劲，但当前模型在处理复杂、真实世界任务方面仍存在困难。

排序理由 该集群描述了一个新的 AI 智能体基准测试，详细介绍了其方法论和初步结果，这是对该领域的一项面向研究的贡献。[lever_c_demoted from research: ic=1 ai=1.0]

在 量子位 (QbitAI) 阅读 →

• Adobe After Effects
• Agents' Last Exam
• ALE Claw
• Anthropic
• Claude Code
• Claude Fable 5
• Claude Opus 4.7
• Claude Opus 4.8
• Codex
• Cursor CLI
• GPT 5.5
• OpenAI
• UC Berkeley
• Unreal Engine

• 论文
• 模型发布

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →