研究者发布 SkillForgeBench 智能体可靠性评测基准

研究者 Zhengxi Li 等发布 SkillForgeBench，一个以 agent skills 为统一执行蓝图的智能体可靠性评测基准，包含五大专业领域的 842 个沙箱任务，重点考察智能体严格满足流程要求的能力。 据该基准报告，Opus 4.8 以 40.9% 的严格完成率居首；在技能的外部引导下，高能力智能体的提升幅度大于低能力智能体（Opus 4.8 提升 19.2%，Haiku 4.5 提升 5.8%）。同时，智能体满足流程细则的频率远低于完成类细则，Haiku 4.5 在流程细则上的满足率不足 3%。 上述数据来自研究团队的基准报告，反映其自设任务与评测口径下的结果，尚待外部复现验证。

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。