Research · Reports
研究报告
任务难度测量、数据方法学与评测工程的原创报告。
前沿任务难度报告 2026：任务更难，测得出来吗？
任务难度如何设计、验证与测量。含一次内部对比测量的完整口径：GPT-5.6-sol 在 DataMining 的 Deep SWE 类任务上 ACC 低约 15 个百分点，智能体轨迹平均长约 20 轮——以及这些数字不能说明什么。
阅读报告 →Research · Reports
任务难度测量、数据方法学与评测工程的原创报告。
任务难度如何设计、验证与测量。含一次内部对比测量的完整口径：GPT-5.6-sol 在 DataMining 的 Deep SWE 类任务上 ACC 低约 15 个百分点，智能体轨迹平均长约 20 轮——以及这些数字不能说明什么。
阅读报告 →