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

SWE - Touch揭示Coding Agent共享协作能力缺口

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。

腾讯 WorkBuddy 团队将内部模型选型评测等开源成 Benchmark，公开多模型 Agent 工作台选型底牌。Bench 优点是任务分布真实且开源可审计，论文介绍了核心方法论、四大赛道拆解、榜单结果，还对比了现有工作。

Anthropic新模型Opus 5登场，多项评测中追平或反超Fable 5，价格仅为一半。网友实测表现出色，还具备硬核自检流程，性价比高。另外，Claude Code提示词删减八成，成绩未降。