研究 / RESEARCH
Tencent 發布 WorkBuddy Bench：四領域編碼智能體抗污染評測基準
騰訊釋出 WorkBuddy Bench，以 Code、Web、Office、Security 四大工作領域構建編碼智能體評測套件，任務皆由真實 commit、PR 與業務情境逆向工程改寫，從構造層抵抗資料污染。
benchmark
所有與「benchmark」相關的 AI Daily Mail 報導，以具名、可回查的來源為基礎，依發布時間排序。
benchmark 標籤的文章列表
共 2 則文章，依發布時間排序
研究 / RESEARCH
MineExplorer 基準測 18 款 MLLM：Claude-Opus-4.6 在 Minecraft 長程任務成功率僅 41%
arXiv 論文提出 MineExplorer 開放世界探索基準，以 813 個人工驗證的多跳任務測試多模態大模型，最強模型整體成功率 41%，多跳場景驟降。