搜索

Theseus Lab 发布三项评测，覆盖智能体交付、自我改进和视觉文档（在新窗口打开）

DeliverBench 考察完整项目交付，SelfImprove-Bench 测量改进能否迁移，AmbiHTMLBench 比较模型把视觉文档还原为 HTML 的表现。