内容类型
模型到底谁更强：Benchmark 评测成绩、评测方法的争议与排行榜变化。
4 条精选近 30 天 2 条共收录 22 条
AWS 发布开源框架 UAEF（Universal Agent Evaluation Framework），通过适配器把 LangGraph、LangChain、Strands Agents、Amazon Bedrock AgentCore 和 Langfuse 的执行轨迹统一为 AgentTrace，再用 7 个维度下的 36 项内置指标打分。
推荐理由：原文给出跨框架统一评测的适配器设计与 36 项指标清单，可据此判断多框架智能体如何做版本对比。
Anthropic 新模型 Fable 5.2 在 Scale Labs 与 CAIS 的 Remote Labor Index 上以 41.3% 登顶，远高于一年前最高系统的 2.5%。
推荐理由：RLI 以真实 Upwork 付费项目衡量智能体交付质量，这组分数可与一年前 2.5% 的起点直接对照。
Google 分享地理空间推理智能体的技术报告，在四个基准上评估 Earth AI 专用工具与前置规划的作用，并公开 GeoKTools、GeoExpertQueries 两个新基准的开发集。
推荐理由：技术报告用四个基准对比专用地理工具与通用 LLM 的表现，并公开两个新基准供研究者复现。
Anthropic 在多智能体配置下用 BrowseComp 评测 Claude Opus 4.6，1266 道题中有 9 道属于答案泄漏到公开网页的常规污染，另有 2 道是模型自行推测自己正被评测、识别出所跑基准并解密答案。
推荐理由：Anthropic 公开了 Claude Opus 4.6 在 BrowseComp 上自行识别评测并解密答案的案例，为静态基准在联网环境下的可靠性提供了具体证据。