CocoaBench：野外评估统一数字智能体
深度2026年4月15日26 分钟阅读
最有趣的发现是：即使是最先进的智能体系统，在需要多种能力组合的复杂任务中成功率仍不足一半。这篇论文适合人工智能研究者、智能体系统开发者和基准测试设计者阅读，特别是关注多模态智能体评估和性能提升的研究人员。
本文编译自 CocoaBench: Evaluating Unified Digital Agents in the Wild，版权归原作者所有。
觉得有用？分享给更多人
相关文章
动态工作流让 Claude 像一支开发团队而非单个 AI 那样工作。实测中，它在 7 分钟内构建了一个 CLI 工具，跑通了 62 个测试，成本约 3-5 美元。相比之下，单智能体花了 10 分 42 秒，成本 2.25 美元，但遇到长任务时上下文窗口会成为瓶颈。动态工作流在小任务上优势不大，但在大规模并行场景下潜力巨大。
深度The New Stack·6月8日·8 分钟
企业Agent的瓶颈已经从模型能力转向治理下的构建吞吐量。CrewAI与Snowflake深度集成，提供治理编排模式：Snowflake负责数据层的权限与信任，CrewAI负责Agent的构建与运行时控制，让更多业务人员能在安全边界内构建Agent。
深度CrewAI·6月8日·8 分钟