清华大学2026-10-26 00:19:01清华团队推出 HandsOn 基准：66 项任务评测机器人双手操作清华大学丁宁团队联合北京邮电大学、北京大学及自然意志研究员发布灵巧操作评测基准 HandsOn，覆盖 66 项人工验证任务和 18,000 条人类仿真遥操作示范。该平台支持 5 种机械臂、6 种灵巧手与约 200 种资产，分别以 Core-50 和 Transfer-16 测量执行与泛化能力。评测显示，Core-50 上最佳多任务策略平均成功率为 29.1%，Transfer-16 上 8 种多任务策略平均成功率均低于 1%。170
AI Agent2026-10-10 02:15:44AgentWorld测试多智能体协作，最佳模型主任务成功率52%OpenAgents与多所高校研究者推出多智能体协作评测基准AgentWorld，在长时程、角色不对称和黑盒交互环境下测试团队协作。论文报告显示，Gemini 3 Flash、Claude Haiku 4.5、GPT-5 Mini和DeepSeek R1-70B在主任务集上的成功率分别为52.0%、45.0%、36.0%和20.0%。研究还提出CCE指标，用于回溯哪些行动和消息真正对任务完成产生贡献。390
