待验证50% 置信基准精确时间

评估Agent规划能力的主流基准测试包括ALFWorld、WebArena和GAIA，当前最先进模型得分仍远低于人类水平

1

来源数

50%

置信度

中期 (~90 天)

时效性

2026/7/12

首次发现

有效期至：2026/10/10

来源

AI Agent入门：概念、架构与核心组成全解析

bilibili李宏毅-机器学习2026/7/10

相关事实

待验证当前顶尖AI模型在CTF基准上的得分仍远低于人类专家水平，尤其是涉及动态调试和二进制分析的题目类别73% 相似待验证2023年多项学术研究显示在模拟对抗性环境中主流目标检测算法的准确率可下降40-80%69% 相似待验证美团LongCat推出Lohosearch搜索智能体基准，11个前沿模型测试中最佳得分仅34.74%，远低于人类约90%的表现68% 相似待验证在事实性评估任务上模型评判者准确率仍显著低于人类专家，但在风格、连贯性等主观维度已接近人类评审员间一致性水平67% 相似待验证GAIA题目对人类来说相对简单，人类平均正确率约92%，但对顶级AI模型极具挑战性66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/489074

API

curl https://kongchang.com/api/v1/knowledge/claims/489074

MCP

get_claim(id=489074)