S
SkillNav

新基准测试：Claude 在构建智能体的智能体上成绩最佳

深度The New Stack2026年9月9日8 分钟阅读
新基准测试：Claude 在构建智能体的智能体上成绩最佳
Sierra 开源了 Hyper-τ-bench，用于测试 AI 智能体自主构建其他智能体的能力。结果显示，Claude Opus 5 在 Claude Code 中表现最佳，通过率仅 23.9%，而人类参与的参考通过率高达 82.2%。
本文编译自 Claude did best on a new benchmark for ‘agents that build agents’. It still passed fewer than a quarter of the tests.，版权归原作者所有。

觉得有用？分享给更多人

获取每周 AI 工具精选

工具推荐、实战教程和生态洞察，每周更新。

关注 @skillnav_dev →阅读周刊

概念速查

AI 智能体

AI Agent 是能自主感知环境、制定计划并采取行动来完成目标的智能程序——不只是聊天，而是帮你干活。

相关文章

Goodfire 推出「由内而外」AI 监控器，成本仅十分之一

Goodfire 推出一种新型 AI 智能体监控方案，通过探针读取模型内部激活信号而非重读输出，在 Kimi K3 测试中监控约 1500 次会话仅需 51 美元，远低于传统方案的 233 至 10000 美元，同时捕获 94% 的恶意黑客会话。该技术已通过 Baseten 向客户提供，针对开源模型缺乏安全护栏的问题。

深度·10月8日·4 分钟

AI Agent 借用你的凭证时，悄悄继承了什么

作者把自己的 Azure 凭证交给编程 Agent，实测了鉴权、授权、权限范围和审计覆盖的真实状态。借来的凭证让审计日志只认人不认 Agent，还悄悄继承了人累积的组权限（而标准权限检查根本看不到这些）。即使换成配置规范的服务账号，问题依然存在：数据库无法区分调用者是谁。

深度The New Stack·10月8日·12 分钟

评论