研究者发布AM-Bench智能体欠规范任务基准

研究者发布 AM-Bench，一个用于评测智能体在任务描述不充分条件下表现的基准。它由 Terminal-Bench 2.0 和 Harness-Bench 改编的 48 个任务构成，每个任务含一个完整参照和六个在目标、上下文或约束上有缺失或模糊的变体，覆盖五种模型与四种执行框架，共进行 20,160 次运行。 该基准的核心指向是：任务描述本身不完整或含糊时，智能体及其执行框架能否仍完成任务。目前披露的信息仅说明基准的构成与运行规模，尚未给出模型或框架间的对比结论。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。