TASTE：自动生成高难度高覆盖智能体基准
深度2026年6月4日20 分钟阅读
最有趣发现：现有基准（如τ^2-Bench）已近饱和，但TASTE生成的基准让顶尖模型（如Gemini-3-Flash）性能从0.82-0.94暴跌至0.28-0.61。本文适合智能体研究者、基准构建者及关注AI评估可靠性的读者。
觉得有用？分享给更多人
相关文章
一名黑客通过 GitHub 访问令牌向亚马逊的 VSCode 扩展仓库提交恶意 PR，试图让 AI 编程助手 Q Developer 执行系统擦除命令。由于 prompt 格式错误，攻击未遂。文章分析了 AI Agent 在执行指令时缺乏人类式警惕性的问题，并提出了加强外部安全控制的建议，如构建不关心指令来源的策略门禁、使用短期凭证等。
深度The New Stack·8月23日·6 分钟
Inherent 发布 AI 智能体 Faraday，在复现科学论文方面超越 Anthropic 和 OpenAI 的更大模型。该公司通过强化学习培养“研究品味”，并以更小模型实现更高目标。
深度·8月22日·4 分钟