四个新评测：协作检索、个性化编程、推理服务与实验理解

AI Benchmark Radar / Equality Machine · 发布于 2026-11-05 · 复核于 2026-11-05

这一批覆盖证据检索、个性化编程、高效 LLM 推理服务与实验场景理解。进入详情页，可继续查看任务、指标和实验条件。

按要评估的任务选择

每个详情页都有任务说明、附来源的成绩和原始发布链接。四项评测回答不同的问题，可以先按任务选择，再核对对应设置。

SlackBench 要求 Agent 从聊天、代码仓库和文档中还原上下文。140 个问题覆盖检索、对无法回答的问题拒答、定向总结和情境推断。详情页把作者报告的成绩、Agent 框架和原始数据集放在一起，便于核对。

PersonaCodeBench 在多轮编程过程中逐步披露用户需求，分别检查软件正确性和个性化要求。联合通过还受到预算与有效性条件约束。详情页说明联合成绩究竟包含哪些要求。

ServerBench 让编程 Agent 优化完整的 LLM 推理服务系统，以满足延迟要求的 token 价值相对于 GPU 成本衡量效果。成绩取决于部署配置与负载，提交的系统还需独立验证。读分数时，需要同时看部署条件。

BEAKER 包含 1,000 道专家编写的问题，覆盖 11 类图像与视频任务，检查动作定位、仪器、状态、安全和流程推理。评测采用离线单轮问答；成绩反映实验场景问题的回答能力，并不代表机器人实体操作已可靠。

11 月 5 日是本批页面上架与核对的日期。原始 arXiv 记录中，SlackBench 和 PersonaCodeBench 发表于 11 月 3 日，ServerBench 和 BEAKER 发表于 11 月 4 日。Radar 转录作者报告的结果，没有重跑这些实验。