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
OpenAI 和 Anthropic 在同一天发布了语音功能更新。OpenAI 的 GPT-Live 让 ChatGPT 可以通过语音控制桌面应用、多任务并行处理；Anthropic 则强化了 Claude 的语音模式，支持更长的迭代对话和代码讨论。两家公司分别从任务自动化和深度思考两个方向拓展语音交互的边界。
深度The New Stack·7月23日·4 分钟
Anthropic 升级 Claude 语音模式，支持 Opus、Sonnet、Haiku 三种模型，并可调用外部应用完成实际任务，如改会议、写邮件。同时新增多语言支持，但免费用户仅限 Haiku 模型和单个连接应用。
深度·7月23日·3 分钟