Terminal-Bench 2.1发布及基准债务分析
热点事件持续更新
Terminal-Bench 2.1发布及基准债务分析
1 篇报道1 个报道来源23 小时前更新
先了解这件事
AI 综述
E. Kelly Buchanan等人针对智能体基准的持续验证工作流被应用于Terminal-Bench 2.0，修复了约30%的任务缺陷并发布了版本2.1。该版本旨在通过审计修复解决基准维护中积累的债务问题，确保测试环境的准确性与可靠性。修复任务缺陷后，基准测试的准确率提升了超过10个百分点。这一显著变化导致排行榜中部分模型的排名发生了变动，最大变动幅度达到3位。尽管具体排名有所调整，但整体排名顺序保持了高度的相关性。数据显示，修复前后的排名相关系数Spearman rho为0.958，表明该基准在修正错误后依然具备较强的区分度和稳定性。
AI 根据报道生成 · 22 小时前更新
最新进展11月6日 13:00
Terminal-Bench 2.1 发布：连续验证工作流揭示基准维护债务报道时间线
沿着报道，了解事件的不同侧面。
11月6日
- arXiv · AITerminal-Bench 2.1 发布：连续验证工作流揭示基准维护债务
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）。
本事件热度走势
- 可比范围当前
- 5
- 可比范围峰值
- 1011月6日 14:00
- 近 24 小时变化
- –
02.557.510
18:0011月7日06:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。