待验证50% 置信基准精确时间
论文在 11 个不同环境中评估 ASTEROID，包括离散探索基准、机器人操作、导航以及 Procgen 环境。
1
来源数
50%
置信度
中期 (~90 天)
时效性
2026/10/22
首次发现
有效期至：2027/1/20
来源
涉及实体
相关事实
待验证研究团队在七个基准测试上评估了 SpatialASM，覆盖从空间理解到多图、跨视角及视角变换推理任务61% 相似待验证HybridAgent 在3个模型规模和11个基准测试上进行了评估，覆盖数学、科学、医学、搜索和智能体推理等场景。58% 相似待验证研究团队在四个安全攸关的真实世界数据集上进行实验，覆盖驾驶、语言和机器人三大领域57% 相似待验证OSWorld 2.0每个任务标注了10种能力测试维度，涵盖跨源推理、隐式状态推断、冲突消解、动态环境应对等57% 相似待验证代理安全审查的九问自查清单涵盖身份、工具白名单、指令分离、不可逆动作、人工闸门、决策重建、工具超时、支出上限和异常通知。57% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1084016API
curl https://kongchang.com/api/v1/knowledge/claims/1084016MCP
get_claim(id=1084016)