共 2 篇
一个新基准把同一道物理题配成五种不同证据来问，结果视频模型在地球常识题上很准，一旦物理参数被改过，它们还是按老经验作答。读完你会知道「懂物理」该怎么拆开测。
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。