Frontline Lab 摘要与来源
编辑摘要
Microsoft Research 研究称，多语言 Agent 评估常比较最终答案并丢弃轨迹；论文将 action policy 作为衡量对象，覆盖 8 models、6 parallel benchmarks、41 languages、2.38M rollouts，并分析五类混杂因素。
这份简报保留原始来源，摘要和编辑判断都可以回到原文独立核验。
来源署名X · @dair_ai
打开原始来源证据简报
Actions Speak Louder Than Words：多语言 Agent 评估应衡量 action policy 而非只看最终答案
Microsoft Research 研究称，多语言 Agent 评估常比较最终答案并丢弃轨迹；论文将 action policy 作为衡量对象，覆盖 8 models、6 parallel benchmarks、41 languages、2.38M rollouts，并分析五类混杂因素。
- 来源
- X
- 来源作者
- @dair_ai
- 相关主题
- 0
- 采集时间
- 2026-08-13
相关已发布证据
相关关系来自共同主题、实体、分类、标签与社区语境；每条结果仍保留独立来源回链。
MAI-Thinking-1 从零构建并上线 Microsoft Foundry
Mustafa Suleyman 表示，Microsoft 的首个推理模型 MAI-Thinking-1 从零开始构建，现已在 Microsoft Foundry 上线。
原始来源Microsoft：MAI-Thinking-1 在 Foundry
@satyanadella 转发 @mustafasuleyman 的消息：MAI-Thinking-1 是其第一个 reasoning model，built from scratch，目前已在 Microsoft Foundry 可用，并向团队致意。
原始来源ExtractBench 测出 VLM 长列表抽取漏行
LlamaIndex 发布 ExtractBench，覆盖 370 份企业文档和 14 个系统，重点测试 long-list completeness；其称 Frontier VLMs 在最长文档上 F1 为 8.9–35.8%。
原始来源评测基准：ExtractBench 覆盖4869 页文档抽取
@Llama_index 转发 @jerryjliu0 的帖文：ExtractBench 被称为面向真实世界文档抽取的最全面基准之一，帖文明确提到它覆盖 4869 页。
原始来源WikiProfile 区分事实编码与 recall 瓶颈
Google Research 提出知识画像框架，称前沿 LLM 事实编码接近饱和但 recall 不足；框架将事实分为五类画像，并推出含2,150 条维基百科事实的 WikiProfile 基准。
原始来源