SkillForgeBench 评测 Agent 技能规格可靠性

论文作者团队发布 SkillForgeBench 基准，评估 Agent 对复杂程序化要求的严格满足能力。该基准以智能体技能规格为统一执行蓝图，包含五个专业领域的 842 个沙盒任务，通过资源准备、技能驱动任务合成和整体评测设计三个阶段构建。 在 8 个主流 Agent 的评测中，Opus 4.8 严格完成率最高，为 40.9%。结果显示 Agent 对过程性评分标准的满足远低于完成性标准，例如 Haiku 4.5 的过程标准满足率低于 3%。

AI 根据报道生成 · 41 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。