Best 智能体性能评估 AI Tools & Models - Premium 智能体性能评估 News

AI News

Meta 推出 Gaia2 评估平台：提升智能体在真实场景中的适应能力

Meta推出智能体评估平台ARE及基准模型Gaia2，旨在解决现有测试方法难以真实反映智能体实际适应能力的问题。该平台聚焦真实场景表现评估，弥补当前基准的不足，推动智能体性能测试更贴近实际应用需求。

用户抱怨Claude性能下降 Anthropic否认做出任何改变

Anthropic公司的AI聊天机器人Claude近期因用户反馈性能下降，包括记忆力减退和编码能力下滑，而引发广泛关注。Reddit上的一篇帖子声称Claude的智能水平似乎降低。对此，Anthropic高管Alex Albert回应称，公司调查未发现普遍问题，并确认未对Claude的模型或推理管道进行更改。为提高透明度，公司已公布Claude模型的系统提示。这一现象并非首次出现，之前OpenAI的ChatGPT也曾面临类似质疑。分析认为，用户期望值提高、AI输出自然变化、临时计算资源限制等因素可能导致感知性能下降。尽管底层模型未变，但这些因素仍影响用户体验。AI公司面临的挑战是如何保持模型一致性，提升性能稳定性，并提高AI性能评估和沟通透明度。

11.4k 6 days ago

Models

GPT-4.1 mini

Openai

$2.8

Input tokens/M

$11.2

Output tokens/M

Context Length

Claude Haiku 4.5

Anthropic

Input tokens/M

$35

Output tokens/M

200

Context Length

Gemini 2.5 Flash

Google

$2.1

Input tokens/M

$17.5

Output tokens/M

Context Length

Claude Sonnet 4.5

Anthropic

$21

Input tokens/M

$105

Output tokens/M

200

Context Length

qwen3-coder-plus

Alibaba

Input tokens/M

$16

Output tokens/M

Context Length

qwen3-vl-plus

Alibaba

Input tokens/M

$10

Output tokens/M

256

Context Length

Qianfan-Lightning

Baidu

Input tokens/M

Output tokens/M

128

Context Length

Qianfan-VL-8B

Baidu

Input tokens/M

Output tokens/M

Context Length

Qianfan-VL-70B

Baidu

Input tokens/M

Output tokens/M

Context Length

Grok Code Fast 1

Xai

$1.4

Input tokens/M

$10.5

Output tokens/M

256

Context Length

qwen-deep-research

Alibaba

$54

Input tokens/M

$163

Output tokens/M

Context Length

DeepSeek-V3.1

Deepseek

Input tokens/M

$12

Output tokens/M

128

Context Length

百度蒸汽机2.0音视一体

Baidu

Input tokens/M

Output tokens/M

Context Length

GPT-5

Openai

$8.75

Input tokens/M

$70

Output tokens/M

400

Context Length

GPT-5 mini

Openai

$1.75

Input tokens/M

$14

Output tokens/M

400

Context Length

qwen3-coder-flash

Alibaba

Input tokens/M

Output tokens/M

Context Length

qwen-flash

Alibaba

$15

Input tokens/M

$15

Output tokens/M

Context Length

GLM-4.5-Flash

Chatglm

Input tokens/M

Output tokens/M

128

Context Length

GLM-4.5-X

Chatglm

Input tokens/M

$16

Output tokens/M

128

Context Length

GLM-4.5-AirX

Chatglm

Input tokens/M

Output tokens/M

128

Context Length

MCP

AWorld

AWorld是一个多智能体系统框架，旨在弥合理论MAS能力与实际应用之间的差距，提供从单智能体到多智能体协作/竞争的全套解决方案。项目支持浏览器/手机操作、GAIA基准测试等场景，采用客户端-服务器架构，集成丰富工具链，并包含性能评估与训练功能。

python

10k

2.0points

Empowering the future, your artificial intelligence solution think tank

English 简体中文繁體中文にほんご

FirendLinks:

AI Newsletters AI Tools MCP Servers AI News AIBase LLM Leaderboard AI Ranking

Business Cooperation Site Map