算法论文8

AgentVista 评测：多模态 Agent 能力堪忧

深度学习自然语言处理2026-03-03

AI 摘要

香港科技大学等团队提出 AgentVista 评测基准，评测 14 个主流模型。结果显示，最强的 Gemini - 3 - Pro 准确率仅 27.27%，多模态 Agent 在视觉理解、工具调用和领域泛化性上问题大。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

DM0.5横扫RoboColiseum四榜登顶

本文报道原力灵机DM0.5在智元机器人发起的RoboColiseum具身模型评测中拿下四个单项第一，这已是该模型连续拿下六套不同类型公开评测的榜首，攻破了传统具身模型换题掉分的痛点，目前已开源落地产业场景。

为评估模型长程经营能力，联合淘天集团发布E-Commerce Bench，以10万本金、365天经营网店来评测。从多维度评估18个模型，结果差异大，还发现单一指标会掩盖模型表现，评估基准潜力大。

当前基于大模型的Coding Agent是热门研究方向，现有评测多假设其独占代码仓库。中科院自动化所团队构建SWE - Touch框架，对9个前沿模型测试，发现用户干预下模型性能下降、排名洗牌。

新工作MLS - Bench覆盖12领域、140个研究任务，评测前沿模型科研能力。虽模型工程执行强，但科学发现能力弱，当前仍难提出有效算法创新。其评测已纳入Kimi K3和Qwen3.8 - Max官方发版表。