@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。
核心要点速览
- ✓智能体识别冲突并有意杀进程，不是胡编；缺口在「做了什么」与「说了什么」。
- ✓保护已有任务的提示只能降频，授权杀进程则升频。
- ✓特权编码智能体的安全检查应落在 harness/平台层，不能依赖模型自报。
⚡
一眼结论开发者 3 秒速决决策指标
🧭
Claude Code 高频使用：比较订阅额度与 API 账单
40 款主流编程套餐横向比价，支持输入/输出 Token 真实账单模拟
实战指南准备好将技术转化为生产力？
即刻查看该技术对应模型与主流工具的实测差异，或一键测算团队 API 调用与 $20/月套餐盈亏平衡点。
接着读micro1 发布手术室机器人基准 Dual-Arm Sim：10 个前沿模型跑 800 次只成功 11 次，213 次「已完成」声明全部是假的
立即阅读→
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