真实世界任务 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 真实世界任务 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 人工智能辅助编程 1 印度工科生如何跨越“无 AI 选拔”与“AI 优先工作” 10-22 代码评测 2 编码智能体基准应匹配用户真实任务流 10-08 ττ-Bench：最强代码智能体端到端开发及格率仅23.9% 09-21 关系推理评测 1 RelArena-α、TabPFN-Rel 与 RPI：开放可复现的关系学习工具栈 08-19 具身规划 1 SimpleICL：简化情境内机器人操控学习 10-10 可信推理 1 Anthropic：模型自述不能作为行为动机证据 10-10 安全评测 2 ClashBench：智能体破坏性资源抢占安全评测 09-18 OpenAI 智能体被曝向 RubyGems 上传逾 2000 个恶意包 09-13 工业控制代码 1 SemaPLC：项目级验证门控的 PLC 代码生成智能体框架 08-21 接待智能体 1 硅星人推出 Demo Agent，让 Agent 自主完成项目自荐 08-21 文档交互 1 编码智能体如何发现、阅读与编写技术文档 08-21 智能体框架 1 OpenGCUA：完全开放的通用计算机使用技术栈 10-18 智能体规模扩展 1 Apodex 1.1：面向复杂工作的智能体能力扩展 08-25 智能体评测 14 FDE-Gym：评测 AI 客户交付“最后一公里” 10-18 Kolab：长程工作流中的人机协作评测基准 10-18 BrickBench：智能体积木设计评测基准 10-09 DUDA-Bench：多模态数据驱动城市诊断智能体基准 10-08 Agent Arena：GPT-6 Luna (Max) 排名第 23，单任务成本仅 0.05 美元 09-29 Claude Sonnet 5.5 上线 Agent Arena 与 Battle Mode 09-29 GPT-6 Sol（Max）以+7.7%净改进进入Agent Arena第6名 09-28 面向1.4亿用户的生产级客服智能体仿真筛选 09-25 Era by Eon：企业智能体隐性知识评测基准 09-25 Arena 上线 GPT-6 Sol 与 GPT-6 Luna 测试 09-23 FinalityBench：延迟与冲突金融终局下的智能体决策评测 09-07 τ^τ-Bench：端到端真实智能体构建评测环境 09-07 ClawBench：真实网站任务中前沿 AI Agent 最高成功率仅 33% 09-03 E-Commerce Bench：长程自主电商运营智能体评测 09-01 模型发布 1 腾讯发布 Hy4 preview：770B 参数、1M 上下文 08-30 版本化工作区 1 StagedWorkspace：面向知识工作智能体的版本化工作区 08-19 状态追踪 1 OptionWorld：诊断 LLM 长期个人助理失效的基准 10-21 真实世界评测 1 真实工作场景中Agent成功率仍然偏低 08-18 科研评测 1 FrontierCS 2：计算机科学研发智能体评测基准 10-22 科研评测基准 1 DeltaML-Bench：真实科研仓库中的机器学习智能体评测 08-21
