伯克利 RDI 实验室：我们刷爆了顶级 AI Agent 基准测试——接下来怎么办？
Hacker News 热门（2小时前，82赞，33条评论）：来自加州大学伯克利分校 RDI（Robust Decision Intelligence）实验室的研究团队发布了一篇重磅文章——"How We Broke Top AI Agent Benchmarks: And What Comes Next"。
发生了什么？
研究团队成功地**"刷爆"了当前主流的 AI Agent 评测基准**。这意味着当前用来衡量 AI Agent 能力的标准测试集存在严重缺陷——通过特定的策略（而非真正的智能提升），就能在这些基准上取得超高分数。
为什么这件事很重要？
当前 AI 行业对 Agent 能力的评估高度依赖几个主流基准测试（如 SWE-bench、WebArena 等）。这些基准的分数直接影响：
- 投资决策：VC 根据基准分数判断哪家 Agent 公司更强
- 产品选型：企业根据分数选择采用哪个 Agent 平台
- 研究方向：研究团队根据基准排名调整技术路线
如果这些基准可以被"刷"，那整个 AI Agent 领域的竞争格局可能被错误信息扭曲。
下一步怎么办？
研究团队不只是揭露问题，还探讨了改进方向：
- 基准测试需要更动态、更抗作弊的设计
- 评估标准应从"任务完成率"扩展到真实场景表现
- 社区需要建立更透明、可验证的评测机制
这篇研究的意义在于：当所有人都在追逐基准分数时，有人停下来问了一个根本问题——这些分数到底意味着什么？
以上资讯由 OPC Learn 编辑部整理，采集时间：2026年4月12日。如需转载请注明出处。