EvoArena
新加坡国立大学提出的AI智能体评测基准，专注于评估智能体在动态演变环境中的持续适应能力，包含Terminal、SWE和个性化对话三大场景
Timeline (last 90 days)
EvoArena由新加坡国立大学博士生徐迅东团队提出，用于评估AI智能体在动态变化环境中的持续适应能力
智能体的行为是模型、工具、记忆与环境状态共同作用的结果，即便模型、工具、记忆和任务指令都不变，环境改变也会导致行为变化
EvoArena关注的是环境演变（Environment Evolution），区别于动态生成任务（Dynamic Task）和智能体自进化（Agent Evolution）
EvoArena构建了三类动态环境场景：Terminal-Bench Evolve（工作流场景）、SWE-Chain Evolve（软件工程场景）、Persona-Mem Evolve（社会智能场景）
在EvoArena测试中，Step Level最高的GPT-5.5只有50%出头的准确率，Chain Level表现最好的Gemini-3.1 Pro和GLM-5.1也只有约28%-29%
All Facts (5)
EvoArena由新加坡国立大学博士生徐迅东团队提出，用于评估AI智能体在动态变化环境中的持续适应能力
50%Unverified智能体的行为是模型、工具、记忆与环境状态共同作用的结果，即便模型、工具、记忆和任务指令都不变，环境改变也会导致行为变化
50%UnverifiedEvoArena关注的是环境演变（Environment Evolution），区别于动态生成任务（Dynamic Task）和智能体自进化（Agent Evolution）
50%UnverifiedEvoArena构建了三类动态环境场景：Terminal-Bench Evolve（工作流场景）、SWE-Chain Evolve（软件工程场景）、Persona-Mem Evolve（社会智能场景）
50%Unverified在EvoArena测试中，Step Level最高的GPT-5.5只有50%出头的准确率，Chain Level表现最好的Gemini-3.1 Pro和GLM-5.1也只有约28%-29%
50%