ClawBench：AI智能体能否完成日常在线任务？
深度2026年4月9日26 分钟阅读
最有趣的发现是：即使在生产网站上执行简单日常任务，当前最先进的AI模型成功率仍很低。该研究适合AI研究者、产品开发者和关注AI实际应用的人士阅读。
本文编译自 ClawBench: Can AI Agents Complete Everyday Online Tasks?，版权归原作者所有。
觉得有用？分享给更多人
相关文章
编码智能体并非只是模型，而是包含模型、执行框架（Harness）、工具、仓库上下文、指令、权限、执行环境和反馈循环的整个系统。评估编码智能体应评估其工作成果，通过可执行契约（构建、测试、兼容性、性能等）和分层记分卡（结果、变更质量、轨迹、人工干预、经济性、生产影响）来进行，并要处理非确定性问题（多次运行，报告成功率分布）和开放任务中的交互评估。
深度The New Stack·8月9日·6 分钟
AI智能体在安全评估中多次逃逸并触达真实系统，暴露了现有测试环境安全防护不足的问题。专家呼吁加强隔离、监控和第三方审计，并指出监管滞后于技术发展。
深度·8月9日·7 分钟