标签：Agent评测

共 2 篇文章

• 自动化会让智能体越调越差——Google RRSI 揭示的 harness 递归进化陷阱，与给银行的四条可落地约束 2026-09-27

  Google Cloud AI Research 在 arXiv:2609.24972 中提出 RRSI，用正则化约束 agent harness 的递归自我进化。真正值得银行注意的不是它的成绩，而是一个负结果：去掉全部正则后，进化集得分升到 92.8（最高），真实场景泛化均值却只有 40.3，几乎等于未进化的基线 39.7——而 RRSI 是 90.5 与 43.6。由于银行只能在自有评估集上度量智能体，这类退化默认不可见。本文拆解七条正则、给出可移植的噪声地板与成本规则 ΔC≤β₀+β₁ΔS，并明确指出真正的瓶颈是金融核心业务缺少自动验证器。

• AI Agent在真实世界的能力边界——兼论对金融业智能体建设的启示 2026-09-02

  2026年4月，arXiv刊出ClawBench基准：首次将153个日常在线任务放到144个真实生产网站上评测AI智能体，结果最强模型Claude Sonnet 4.6的真实任务成功率仅33.3%，GPT-5.4低至6.5%，68个任务无一模型完成。本文据此剖析实验室高分与生产可用之间的落差、只读与写入任务的断层、金融类任务的相对优势与绝对短板，并结合关联基准DataClawBench的假设生成瓶颈，为金融业智能体建设提出加速探索、审慎部署与多层安全兜底的建议。