AMO-Bench 的发布及其评测结果，为行业提供了一个观察大模型数学推理能力边界的窗口。从评测数据来看，Gemini 3 Pro 的 63.1% 确立了新的性能基准，而Kimi-K2-Thinking 则展现了国产模型的惊人追赶速度。但值得注意的是，SOTA 模型仍有近 40% 的题目未能稳定解决，这表明复杂数学推理依然是当前 AI 技术亟待攻坚的深水区。

我们提出了一个迭代式的、基于伙伴学习的竞争性评测框架；推出了 CATArena 这一包含多样化、开放式游戏的评测基准；并设计了一套全面的评测矩阵，从而对智能体的核心能力进行可靠、稳定且可扩展的评估。CATArena 的远景不止于此，未来，计划补齐国际象棋与桥牌，在现有四大经典博弈场景的基础上，CATArena 的竞技场将进一步延伸至算法竞赛代码优化、工程代码优化等更为复杂的编程任务中。我们坚信，通

看似是大模型比拼《杀戮尖塔2》游戏能力，实则能直观暴露大模型的真实上限与短板。静态问答中，模型依靠知识与表达就能得分，但爬塔需要局势判断、资源管理、长线规划与试错复盘。这也拉开了模型差距：有的空谈逻辑却难以落地，有的稳步迭代、执行力与纪律性更强。现实里的编程、统筹、长期规划等复杂问题，更像持续闯关的爬塔，而非标准答案式问答。

复旦大学与AGI-Eval社区联合发布《AgentEscapeBench》论文，通过270个密室逃脱游戏测试16个主流AI模型的长程推理能力。研究发现：1）Claude-Opus表现最稳健，25级难度仍保持60%成功率；2）GPT-5.4思路广但效率低，工具调用次数是Claude的2倍；3）模型性能随难度增加呈系统性衰退，工作记忆和逻辑一致性是主要瓶颈。该研究揭示了AI在陌生环境中的真实能力边界，

AI Agent技术体系深度解析：从核心概念到工程实践 本文通过工程师"小A"与初学者"小E"的对话，系统阐述了AI Agent的技术架构与关键组件。主要内容包括： Agent本质是具备自主执行能力的智能体，通过规划、记忆和工具调用三大支柱实现任务闭环 核心技术要素：Token（语义处理单元）、RAG（检索增强生成）、MCP（工具调用协议）、Skill（专业

美团LongCat团队发布VitaBench智能体评测基准，聚焦外卖、餐饮、旅游三大真实生活场景。该基准包含66个工具构成的交互环境，通过深度推理、工具使用和用户交互三个维度量化任务复杂度。实验显示，即使是先进模型在跨场景任务中的成功率仅30%，暴露出与真实应用需求的显著差距。VitaBench采用创新评估方法，如基于Rubric的滑动窗口评估器，为智能体研发提供更精准的评测工具。目前该基准已开源

Rohan Paul 作为一位专注于大型语言模型（ LLMs 的研究人工智能领域的专家，也在持续关注其的动态内容，在 DeepSeek‌ 登顶 AppStore 之前，就发布了关于 DeepSeek 的运行指南教程，被查看超过了 78W 次，不得不说， DeepSeek 就是靠这一波又一波的“自来水”霸榜的。最重要的是，在年前 A 股收官的最后一天，直接来了一个开门红，早盘，多支 DeepSeek

复旦大学与AGI-Eval社区联合发布《AgentEscapeBench》论文，通过270个密室逃脱游戏测试16个主流AI模型的长程推理能力。研究发现：1）Claude-Opus表现最稳健，25级难度仍保持60%成功率；2）GPT-5.4思路广但效率低，工具调用次数是Claude的2倍；3）模型性能随难度增加呈系统性衰退，工作记忆和逻辑一致性是主要瓶颈。该研究揭示了AI在陌生环境中的真实能力边界，

最近进入科技社区，大概率会被问到一句话：“你了吗？别误会，这可不是真去搞水产养殖，而是指给AI大模型装上“手脚”——这类智能体框架。它能让 AI 从只会“动嘴”出主意，变成能“动手”操作电脑、写周报、改bug的得力助手，。春节后热度不减，国内大厂和创业公司也纷纷入局，Kimi、腾讯、阿里、字节等都推出了自家的“Claw”产品。今天我们就来盘点一下市面上的“龙虾”到底有啥区别，看看哪只最适合你。

看似是大模型比拼《杀戮尖塔2》游戏能力，实则能直观暴露大模型的真实上限与短板。静态问答中，模型依靠知识与表达就能得分，但爬塔需要局势判断、资源管理、长线规划与试错复盘。这也拉开了模型差距：有的空谈逻辑却难以落地，有的稳步迭代、执行力与纪律性更强。现实里的编程、统筹、长期规划等复杂问题，更像持续闯关的爬塔，而非标准答案式问答。