技能在真实场景中的效用评估：LLM技能使用基准测试
深度2026年4月6日28 分钟阅读
研究发现LLM技能在真实场景中的表现远不如理想条件，性能接近无技能基线。AI研究人员和智能体开发者应关注此研究，了解技能机制在实际应用中的挑战与优化策略。
本文编译自 How Well Do Agentic Skills Work in the Wild: Benchmarking LLM Skill Usage in Realistic Settings，版权归原作者所有。
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