公众号 新智元·· 12 天前精选
CLASHarness 实测 15 个前沿模型在多智能体冲突中的表现
AI 导读
Google 与 Emory、USC 等机构的研究团队发布多智能体冲突基准 CLASHarness，在 600 个可执行任务上评测 15 个主流模型，端到端通过率无一超过 30%。任务覆盖 20 个真实领域，含 7,970 张 4K 视觉证据图与 3,284 项检查点，生成管线先清空文本中的答案线索，迫使 Agent 打开监控截图或账单图片核实队友汇报。20 步限制下 Claude Opus 5 通过率 25.2%、GPT-5.6 Sol 24.5% 居前… AI Safety HOT (aisafetyhot.com), CC BY-NC 4.0 · 本地公开归档导入
推荐理由
用户指定的本地展示归档；未运行评分模型，未生成分数。
来源：公众号 新智元 · mp.weixin.qq.com