arXiv · AI· E. Kelly Buchanan, Crystal Zhou, Scott W. Linderman, Christopher R\'e·· 23 小时前AI 评分36
Terminal-Bench 2.1 发布：连续验证工作流揭示基准维护债务
Benchmarks as Software: Terminal-Bench and the Case for Continuous Benchmarks
AI 导读
summary_zh: 针对智能体基准的持续验证工作流被应用于 Terminal-Bench 2.0，发布版本 2.1 以修复约 30% 的任务缺陷。 修复后准确率提升超 10 个百分点，排行榜排名变动达 3 位，但整体排名保持高相关（Spearman rho = 0.958）。
来源：arXiv · AI · arxiv.org