热点事件持续更新
研究团队推出长程就医代理智能体评测基准BABA-Bench
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年11月2日，研究人员推出长程就医代理智能体评测基准 BABA-Bench。该基准包含47个由真实脱敏案例构建的交互环境，旨在同时评估智能体的任务结果与流程合规性。评测结果显示，在针对14个前沿模型进行的1,974次测试中，达成目标要求的921次运行里有28%未遵循必要流程。其中，Claude Opus 5模型虽然在81.6%的运行中成功完成目标，但其完全合规率仅为52.5%。
AI 根据报道生成 · 4 小时前更新
最新进展11月2日 13:00
研究团队推出BABA-Bench基准，测试显示达成目标的模型运行中有28%违规。报道时间线
沿着报道，了解事件的不同侧面。
11月2日
- arXiv 人工智能研究团队推出长程就医代理智能体评测基准 BABA-Bench
研究人员推出长程就医代理智能体评测基准 BABA-Bench，包含 47 个由真实脱敏案例构建的交互环境，用于同时评估智能体的任务结果与流程合规性。在针对 14 个前沿模型的 1,974 次评测中，达成目标要求的 921 次运行里有 28% 未遵循必要流程，Claude Opus 5 虽在 81.6% 运行中完成目标，但完全合规率仅为 52.5%。
本事件热度走势
当前热度 9·可比范围峰值 10（11月2日 14:00）·近 24 小时可比范围变化–
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。