研究者发布ASTRA-bench工具使用Agent评测基准并开源

ASTRA-bench作者团队发布工具使用智能体评测基准ASTRA-bench，并连同完整执行环境和评测脚本开源。该基准统一时间演化的个人上下文、交互工具箱与复杂用户意图，通过事件驱动流水线生成覆盖四位主角的2,413个场景。 作者用该基准评测Claude-4.5-Opus、DeepSeek-V3.2等SOTA模型，结果显示高复杂度条件下模型性能显著下降，参数生成是主要瓶颈。作者称该基准可作为开发具备上下文感知能力的AI助手的诊断测试平台。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。