Agentic-MME：多模态智能的代理能力评估新基准
深度2026年4月3日28 分钟阅读
最有趣的发现是：即使最佳模型在最高难度任务上的准确率也骤降至23.0%，凸显了真实世界多模态代理问题解决的巨大挑战。本文适合研究多模态智能、AI代理系统、评估基准开发的研究人员和工程师阅读。
觉得有用？分享给更多人
相关文章
AI Agent的可靠性瓶颈不在模型能力，而在于上下文层的质量。团队需要构建结构化的领域知识图、精确的工具检索（如假设调用匹配）、以及执行层的安全护栏。基础设施的差距正在成为团队间的分水岭。
深度The New Stack·7月18日·10 分钟
作者在 fd 代码仓库中对 Grok 4.5 和 Claude Opus 4.8 进行了三项对比测试（bug 修复、重构、功能开发）。结果显示，Grok 使用了 Opus 约 23% 的 token、约 32% 的时间，成本仅为约 1/5，且代码质量几乎相同。
深度The New Stack·7月18日·8 分钟