جروك 4.5 يتصدر قائمة احتفاظ (耐力) وكفاءة وكلاء Tencent Hunyuan، مع إنجاز أكثر من 60% من المهام دون استخدام نموذج.

robot
إنشاء الملخص قيد التقدم
وفقاً لمراقبة Beating، تعاونت فرق Tencent Hunyuan مع عدة جامعات لإطلاق LHTB، وذلك لاختبار ما إذا كان بإمكان وكلاء الذكاء الاصطناعي إتمام مهام معقدة بصورة مستمرة داخل الطرفية (terminal).

يتضمن المعيار 46 مهمة تغطي مجالات مثل هندسة البرمجيات، وإعادة إنتاج التجارب، والحسابات العلمية، والتحليل متعدد الوسائط. وتبلغ مدة تشغيل كل مهمة مدة قصوى قدرها 90 دقيقة، وغالباً ما تتطلب عمليات متواصلة لمئات الخطوات.

لا يركز LHTB على النجاح النهائي فحسب. إذ إن إتمام جزء من المهمة يُسهم في الحصول على نقاط وفقاً للتقدم الفعلي. وتقوم أدوات التحقق المخفية بفحص الملفات ونتائج الاختبارات ومخرجات البرنامج، ولا يُحسب مجرد ادعاء الوكيل بأنه أنهى المهمة.

اختبر الإصدار الأول من الورقة 15 نموذجاً. أنجز GPT-5.5 7 مهام، ليحتل المركز الأول. وينفّذ كل نموذج مهمة واحدة، مع استهلاك متوسط يقارب 99 مليون Token، واستغرق حوالي 85 دقيقة.

وسّعت النتائج المتاحة حالياً إلى 20 نموذجاً. يتصدر Grok 4.5 بقيمة متوسط درجة قدرها 0.505، وقد أنجز 13 مهمة. وفي 46 مهمة، لا يزال هناك 29 مهمة لم يصل أي نموذج فيها إلى معيار الإتمام.

تستطيع معظم وكالات الذكاء الاصطناعي إنجاز أجزاء من الخطوات، لكنّها غالباً ما تنفد مهلة 90 دقيقة، أو تتوقف مبكراً قبل اكتمال المهمة، بما يمنعها من إنجاز المهام المعقدة فعلياً.
شاهد النسخة الأصلية
قد تحتوي هذه الصفحة على محتوى من جهات خارجية، يتم تقديمه لأغراض إعلامية فقط (وليس كإقرارات/ضمانات)، ولا ينبغي اعتباره موافقة على آرائه من قبل Gate، ولا بمثابة نصيحة مالية أو مهنية. انظر إلى إخلاء المسؤولية للحصول على التفاصيل.
  • أعجبني
  • تعليق
  • إعادة النشر
  • مشاركة
تعليق
إضافة تعليق
إضافة تعليق
لا توجد تعليقات
  • مُثبت