站内搜索

超越SWE-bench：2026年AI Agent评估新范式——从‘工具使用’到‘长期规划’的基准测试集演进

本文深度解析2026年AI Agent评估范式的重大转变。针对SWE-bench等传统基准的局限性，学术界与工业界正构建聚焦长期规划、错误恢复与多步推理的新一代测试集，旨在推动Agent从执行短期任务向完成复杂、持久性目