研究团队提出基准持续验证工作流

E. Kelly Buchanan 等作者提出一套面向智能体基准的持续验证工作流，并据此发布 Terminal-Bench 2.1 修复版。该流程结合社区报告、任务产物、智能体轨迹、自动 oracle 检查和人工把关修复。 作者在论文中提出“基准维护债”概念，称编码智能体基准即使发布时经过严格验证，也会随模型进步而过时，因此需要持续校验而非一次性发布。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。