本文提出了WildClawBench基准,通过在原生Docker容器中部署真实CLI智能体框架与混合评分机制,对当前前沿模型在真实环境下的长周期多模态任务进行评估,结果表明现有模型在该设定下的整体表现仍远未饱和且提升空间显著。
机构:上智院
来源:arXiv 2605.10912 | AI4Papers 论文推荐平台