一句话判断
提供了Hy3在真实Agent任务中的详细优劣数据,对评估开源Agent模型性能有参考价值。
核心信息
Arena.ai评测显示,腾讯Hy3模型在Agent Arena中排名第25位(开放权重模型第5位),在Frontend Code Arena中排名第16位(开放模型第2位)。Hy3在工具使用(bash错误恢复,+2.6%)方面表现强劲,但在可操纵性(用户推回时调整能力)方面较弱,得分为-7.1%。
原始内容
相关动态
AutoLab: Can Frontier Models Solve Long-Horizon Auto Research and Engineering Tasks?
研究人员提出了 AutoLab 基准测试,包含 36 项涉及系统加速、谜题、模型开发及 CUDA kernel 工作的任务,旨在评估模型在长时程自动研究中的表现。通过对 17 个主流模型的测试发现,成功的关键不在于初始想法的质量,而在于模型的持续测试与反馈迭代能力;其中 Claude Opus 4.6 在该基准测试中表现最佳,原因在于其能...
Kimi K3 30分钟构建VR伴侣
Kimi团队展示Kimi K3模型在收到一个3D模型和一条提示后,于30分钟内自主构建了一个VR伴侣,该伴侣能够听、回应、改变表情并在场景间移动,期间K3独立发现并部署了本地ASR和TTS连接LLM,并构建了VR场景。
dots-note-3.0获IMO满分金牌
小红书dots团队的大模型dots-note-3.0在第67届IMO中获得42分满分,超过金牌线13分,成为全球首个在IMO官方评卷中斩获满分的大模型,也是中国首个IMO金牌大模型。此前Gemini Deep Think曾获35分。该模型采用智能体化推理系统和加强归纳法,并计划近期开源。
Anthropic 用 Claude Code 实现百万行代码迁移新模式
Anthropic 团队使用 Claude Code 将 Zig 项目迁移到 Rust,百万行代码不到两周完成,100% 测试通过,仅 19 个回归问题全部修复,成本约 16.5 万美元。文章介绍了六步迁移流程,强调以强 judge 和对抗 agent 验证测试断言,可复制的工厂流水线模板将语言级重构门槛降至小团队可行。
Kimi K3在AA-Briefcase基准上排名第二,但成本高昂
Artificial Analysis 评测显示,Kimi K3 在 AA-Briefcase 代理工作基准上获得 Elo 1543,排名第二,仅次于 Claude Fable 5(1574),高于 GPT-5.6 Sol(1501)、Claude Sonnet 5(1388)和 Claude Opus 4.8(1347)。与上一代 K2...