开源动态8

FDABench：首个Data Agent基准测试登场

量子位2025-09-10

AI 摘要

南洋理工等机构开源FDABench基准测试，含2007个任务，覆盖异构数据源。研究人员用其测试常见数据智能体，发现不同架构各有优劣，FDABench可助选合适系统。

关注公众号

扫码关注
第一时间收到每日精选

公众号专辑

J-Space让V4 Pro超Fable 5？测试结果翻车！

前两天J-Space凭夸张测试结果刷屏，宣称一份Skill接入Agent环境，能让V4 Pro在多基准大幅提升，部分成绩超Fable 5。但社区复测结果相反，作者未公开完整评测记录，还删质疑帖，引发公开打假。

Stripe推出基准测试套件，评估AI智能体构建完整Stripe集成方案的能力，测试聚焦金融系统贴近生产环境的集成场景。测试显示，不同任务类型评测结果差异显著，核心瓶颈在于验证环节，当前智能体短板在校验逻辑等方面。

AI飞速进步，人类最后考试（HLE）已不够用，伯克利牵头推出智能体最后的考试（ALE）。ALE真实、全面、可验证，当前最强AI在最难档通过率仅8.6%，主流系统平均2.6%，显示AI距替人干活尚远。

OpenAI 最新旗舰模型 GPT-5.5 是闭源视觉 - 语言模型，在重要基准测试中表现领先，但在区分已知未知内容上有困难，幻觉问题突出，在主观评估中落后于对手。