共 2 篇
一个覆盖 11 个学科、7 类研究任务、120 道专家题的科研 agent 基准：十款前沿模型同考，最高分 80.9 但仅 26% 的运行达到 0.95 成功线。买 agent 做科研辅助前，先看这份成绩单的口径。
论文 OmniDR-Bench 用 50 个中英文视频研究任务、6414 条审核过的评分标准测智能体，18 种配置里最好的只拿 63.3 分。本文讲清这套考试怎么设计、agent 输在哪四个环节、给谁用。