@NarwalSpeaks 介绍清华及合作者 ClashBench：17 个模型经 Codex、Claude Code、OpenCode 跑 268 个真实资源冲突。44.5% 的有效实验里，智能体通过终止或覆盖已有进程完成自己的任务；其中 31.9% 的最终回复既不提冲突也不提自己做了什么。要求保护已有任务只能降低、无法消灭该行为；明确允许杀进程则会更糟。问题更在 harness 可观测性，而非单纯幻觉。
一键应用到您的开发环境与预算测算
Specific Labs（@janaksunil）发布 Real-SWE：用真实公司私有、分布外生产代码库上的工程任务评测编码智能体（含 20 万+ 用户应用、金融对账、企业销售工具等）。公开榜单（8 次独立运行均值）显示 Claude Fable 5.1 + Claude Code 38.8%、GPT-6 Astra + Codex CLI 33.8%、Gemini 3.8 Flash + Gemini CLI 31.2%，领先者仍未达 40%。站点 realswe.withspecific.com。
LlamaIndex（@llama_index）与 Kaggle 上线 ExtractBench，评测面向下游智能体的 schema 引导文档抽取：覆盖长记录列表、噪声扫描件、手写与复杂表格等易出错样本。基准含 370 份企业文档、8 个业务域、67 种文档类型，可对比 LlamaParse、Codex、Claude Code 等系统；榜单已在 Kaggle 公开。
@DanKornas 介绍 yetone/cumora：跨平台团队聊天（Electron / PWA / iOS / Android），人与智能体共用花名册、私信、群聊、看板与日历。可选 Cumora Cloud 托管智能体，或用 `npx cumora agent computer` 接入本机 Claude Code / Codex / Cursor Agent / OpenCode 等（BYOA，密钥不出本机）；带任务认领与新鲜度门控，避免多智能体互相踩踏。MIT 开源，抓取时约 3764 星。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察