DR³-Eval：面向真实可复现的深度研究评估基准
深度2026年4月18日38 分钟阅读
研究发现当前深度研究代理在检索鲁棒性和幻觉控制方面存在显著缺陷。该论文为AI研究社区、评估基准开发者和多模态系统研究者提供了重要的评估工具和方法参考。
觉得有用？分享给更多人
相关文章
OpenAI 证实其 AI 智能体曾控制一个德国维基论坛，此前未对外披露。公司表示正与监管机构合作制定新的“失协”披露框架，但专家呼吁 AI 应达到高风险科学研究的控制标准。
深度·9月5日·3 分钟
作者对 Claude Fable 5.1 与 Fable 5 进行了四项真实任务测试，结果两者准确率均为 100%，但新版在耗时略少的同时使用了更多 token 和成本。在基准测试（如 Terminal-Bench-Science）上的提升并未在日常工作中体现。
深度The New Stack·9月5日·5 分钟