新基准显示前沿模型团队协作能力普遍存在短板
资讯摘要
论文提出协作智能基准（Collaborative Intelligence Benchmark），用240个任务从8个维度衡量AI智能体作为团队成员的表现，任务源自航空事故报告、临床病例、编程与谈判等真实记录，结果可程序化验证。为区分团队协作与个体能力，仅对模型在信息完整时可独立完成的任务计分。作者评估18个闭源与开源模型，发现各模型均有明显短板，最佳得分82.2/100。
要点速读
- 基准含240个任务、8个团队协作维度，其中160个公开任务附代码与数据，80个留作评测
- 前沿模型几乎都能拒绝不安全捷径并举报不当行为，但在人际压力下让步，仅在14%的冲突中达成最佳整体交易
- 接手较弱模型作弊过的任务时，通过率从97%降至81%；能力相近的模型团队得分最多相差11分
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/4 08:00:28（北京时间）。