第 2026-11-11 期 · 行业追踪 · 研究 · 开源
研究:协调模型强弱不等于工作流有效
Einsia团队在WorkflowArena基准中让Opus 5.5与GPT-6 Astra为四个执行模型编写32项任务的静态工作流。Opus的工作流使执行模型连续得分平均提升6.41分,Astra的工作流反而降低2.53分,尽管Astra在主基准中更强。该基准覆盖8个领域145个长周期任务,结论是选协调者不能只看其自身任务表现。
查看原文 ↗Einsia团队在WorkflowArena基准中让Opus 5.5与GPT-6 Astra为四个执行模型编写32项任务的静态工作流。Opus的工作流使执行模型连续得分平均提升6.41分,Astra的工作流反而降低2.53分,尽管Astra在主基准中更强。该基准覆盖8个领域145个长周期任务,结论是选协调者不能只看其自身任务表现。
查看原文 ↗