主要来源arXiv: DeepSeek
查看原文事件专题 ·官方一手
AgentHop 基准发布：1,011 道题拆解智能体失败原因
论文推出诊断型基准 AgentHop，包含 1,011 道多选题和七工具沙盒，在固定 token、轮次、工具调用约束下测试。它把单一准确率拆成检索、综合、工具调用、资源管理四个维度，覆盖 19 个模型。结果显示行为按模型家族聚集：GPT 提前行动，Anthropic 和 GLM 先验证再行动，DeepSeek 和 Kimi 过度搜索，Gemini-3 Pro 较均衡。同家族内部也有分化，Claude Opus 4.6 检索更多，Sonnet 4.6 综合更好。
当前结论
一个把智能体准确率拆开看的新基准，能看出各家模型是乱搜还是不敢搜，做 agent 评估的可以拿去用。
11 个信源44° AI 热度最后更新 2026/9/28 06:45:01
证据链
11 个信源冲突核查
现有去重数据只说明这些来源讨论同一事件，不代表立场相同。当前没有结构化的支持或反驳证据，不自动推断冲突。