腾讯混元推出智能体评测基准 E-Bench

腾讯混元联合清华AIR、东南大学推出 智能体评测基准，以王者荣耀、QQ音乐、腾讯会议为原型，构建含323个改状态任务、7.6万+数据行的全合成虚拟环境。通过信息鸿沟与工具鸿沟设计，防止模型凭记忆抄近道。E-Bench 评测了11个前沿模型平均成功率仅54.56%，最强模型Avg@3为73.79%，Pass3低于60%。 更多详情...