模型与Agent竞争转向真实任务、Harness与可验证经济性
FrontierCS 2要求Agent断网、五小时内改进真实研究代码库;Claude Opus 5.5通过率58%,但16项任务无人解决。AWS与小红书合作方披露推荐模型Harness实验以80 GPU·h提升单数据集AUC 1.88个百分点,线上效果、泛化与运维成本待验证;规模化Agent故障治理和神经符号可靠性主张也需真实工作流对照。具身AI报道继续凸显通用规划与专用实时控制分工及真机验证缺口。
Sources (58)
Updated Nov 20, 2026