标签
FM-Bench是一个用于评估长期AI代理的基准，揭示短期表现并不能保证在模拟20年管理任务中的长期成功。
一篇论文评估了八个领先的AI模型在长期任务上的表现，发现即使表现最好的模型也只达到了人类表现的27.3%，突显了可靠长期AI执行的重大局限性。