Unverified50% confidenceBenchmarkExact time
试点实验让三个编程代理和八个模型各跑八次20分钟单次任务，标签感知F1从0.143到0.892方差极大
1
Sources
50%
Confidence
Long-term
Relevance
9/14/2026
First Seen
Sources
Related Entities
Related Claims
UnverifiedAgent 任务需要模型多轮调用，12B 模型在消费级显卡上单次推理已需数秒，多步任务耗时会显著叠加76% similarUnverified在智能体场景中可用大模型生成高质量任务执行轨迹，再用这些轨迹微调参数量小10-100倍的模型来执行特定子任务73% similarUnverifiedAI智能体每一次与大模型的交互都会消耗Token，一次复杂任务可能触发数十次模型调用，每次调用延迟通常1-10秒72% similarUnverified在多智能体初步实验中给足8小时，程序基准最高只到30.04（单智能体为20.39），科学类智能体基准仅31.2，落后于对手的51.872% similarUnverifiedAnthropic招募了1053名程序员做对照实验，在正常任务中混入危险命令，人类放行了800条危险命令，机器只漏掉了6条71% similar
Cite This Claim
Stable URI
https://kongchang.com/claim/919725API
curl https://kongchang.com/api/v1/knowledge/claims/919725MCP
get_claim(id=919725)