Event ·Single source

英国AISI研究：标准基准测试系统性低估AI智能体能力

英国AI安全研究所(AISI)在涵盖7项基准测试的研究中发现，标准评估通过限制计算预算系统性地低估了AI智能体的实际能力。在软件工程任务中，当token预算增加10倍时，成功率提升约25%。新模型受益最大，实际进展比之前测量结果陡峭约60%。

Current read

别信那些基准排名——AISI发现给智能体多点token，表现就能飙升25%。新模型潜力更大。

2 sources63° AI heatLast updated 2026/7/3 16:14:44

Evidence

2 sources

Primary sourceDecoder

2026/7/3 16:14:44View source

Related source 1@koltregaskes

2026/7/3 10:04:25View source

Conflict check

Dedup data only shows that these sources discuss the same event, not that they agree. There is no structured supporting or refuting evidence yet, so no conflict is inferred automatically.

Open the story