arXiv · AI· Zhengxi Li, Junyi Zhou, Qiyuan Zhang, Chuhan Wu, Fuyuan Lyu, Le Tian, Xiao Zhou, Chen Ma, Yufei Wang·· 2026-10-14AI 评分40
SkillForgeBench:基于智能体技能规范评估可靠性
SkillForgeBench: Evaluating Agent Reliability Grounded in Agent Skill Specifications
AI 导读
SkillForgeBench 发布,包含 842 个沙箱任务,揭示 8 个主流智能体能力层级。 测试 8 个主流智能体,最高严格完成率为 40.9%,远低于单指标通过率。 技能引导显著提升效果,证明仅关注任务完成会高估真实可靠性。
来源:arXiv · AI · arxiv.org