GAIA
时间轴 (近 90 天)
论文Table 1显示，ARPO（纯文本、无隐空间模式的8B智能体）在GAIA上得38.8分，WebWalker得32.0分，两项均略高于GPT-5.6 Luna。
GAIA、WebWalker、HLE与DeepSearchQA评测不同能力：GAIA面向通用AI助手工具调用，WebWalker专注网页导航与多跳检索，HLE是高难度闭卷知识推理考试，DeepSearchQA评测多跳深度检索问答准确率。
隐空间模式带来的增量提升为：GAIA从38.8提升至43.7，WebWalker从32.0跃升至42.5。
据论文Table 1，HybridAgent 8B在GAIA基准上以43.7分超过GPT-5.6 Luna的37.9分。
KnowGPO实验覆盖Xbench、BrowseComp-ZH和GAIA三个基准。
GAIA是通用助手式基准，强调多步推理与工具使用的组合；BrowseComp-ZH是中文浏览类基准，侧重在开放网页中定位难以直接检索的事实；Xbench是面向专业领域（含金融、咨询）的深度搜索评测。
Agent能力通常通过工具调用准确率、多步任务完成率、指令遵循度等维度衡量，典型基准包括BFCL、τ-bench、GAIA等；Coding能力通过代码生成与修复类基准（如SWE-bench、LiveCodeBench）衡量。
评估浏览器智能体通常使用 WebArena、WebVoyager、Mind2Web、GAIA 等公开基准，用真实网站上的多步任务测量端到端成功率和步数效率。
SWE-bench 测试自主代码修复能力，GAIA 测试现实世界多步骤任务推理，τ-bench 测试工具调用准确性
研究团队在GAIA和SWE-bench Verified两个基准上评估了DeReAct
还有 6 条时间轴事件
全部知识事实 (20)
GAIA基准测试由Meta等机构联合推出，专门评估AI系统在真实世界任务中的通用助手能力
90%待验证GAIA基准测试由Meta AI和HuggingFace等团队于2023年提出，包含400多个精心设计的问题
85%待验证Magentic-One在多个公开基准测试（如GAIA、AssistantBench）上展现了较强的通用任务处理能力
80%待验证Manus在GAIA基准测试中取得了领先成绩
80%待验证2023年人类在GAIA测试中的平均成功率约为90%，而当时最强的GPT-4在Level 1上仅勉强达到15%
75%待验证GAIA（通用AI助手基准）设计了需要多步工具调用才能完成的现实问题
60%待验证GAIA、WebWalker、HLE与DeepSearchQA评测不同能力：GAIA面向通用AI助手工具调用，WebWalker专注网页导航与多跳检索，HLE是高难度闭卷知识推理考试，DeepSearchQA评测多跳深度检索问答准确率。
50%待验证据论文Table 1，HybridAgent 8B在GAIA基准上以43.7分超过GPT-5.6 Luna的37.9分。
50%待验证论文Table 1显示，ARPO（纯文本、无隐空间模式的8B智能体）在GAIA上得38.8分，WebWalker得32.0分，两项均略高于GPT-5.6 Luna。
50%待验证隐空间模式带来的增量提升为：GAIA从38.8提升至43.7，WebWalker从32.0跃升至42.5。
50%待验证KnowGPO实验覆盖Xbench、BrowseComp-ZH和GAIA三个基准。
50%待验证GAIA是通用助手式基准，强调多步推理与工具使用的组合；BrowseComp-ZH是中文浏览类基准，侧重在开放网页中定位难以直接检索的事实；Xbench是面向专业领域（含金融、咨询）的深度搜索评测。
50%待验证Agent能力通常通过工具调用准确率、多步任务完成率、指令遵循度等维度衡量，典型基准包括BFCL、τ-bench、GAIA等；Coding能力通过代码生成与修复类基准（如SWE-bench、LiveCodeBench）衡量。
50%待验证评估浏览器智能体通常使用 WebArena、WebVoyager、Mind2Web、GAIA 等公开基准，用真实网站上的多步任务测量端到端成功率和步数效率。
50%待验证SWE-bench 测试自主代码修复能力，GAIA 测试现实世界多步骤任务推理，τ-bench 测试工具调用准确性
50%待验证研究团队在GAIA和SWE-bench Verified两个基准上评估了DeReAct
50%待验证SWE-bench和GAIA等基准专门用于衡量模型完成多步骤、跨工具调用任务的能力
50%待验证AREX-2 在深度研究类任务上取得成绩：BrowseComp 84.0、HLE 52.6、GAIA 92.2、DeepSearchQA 93.8
50%待验证衡量长程任务能力的主流基准包括SWE-bench和GAIA
50%待验证智能体评估基准测试套件包括GAIA、AgentBench和SWE-bench
50%