历史场景
SWE-Bench Pro V2 →
修复与回归
不能把聚合分数下放到幂等任务
核查 2026-09-27 · 3条引用关系
跨模块来源目录
找到判断的原始依据
查研究、工具与职业来源，再回到它实际支持的任务或主张。
484条来源记录；同一研究可能在不同模块被引用，记录数不是独立研究数或试验次数。版本分别保留，不把同URL自动合并为独立验证。
历史场景
SWE-Lancer →
开发交付与技术方案选择
历史结果，非完整产品管理
核查 2026-09-27 · 1条引用关系
历史场景
Terminal-Bench →
终端执行和环境验证
跨大版本不可直接比较
核查 2026-09-27 · 4条引用关系
历史场景
GDPval →
专业产物验收
一次性交付，不能全岗外推
核查 2026-09-27 · 2条引用关系
历史场景
Remote Labor Index →
完整项目产物
排除直接客户互动和长期效果
核查 2026-09-27 · 1条引用关系
历史场景
DABstep →
多源业务数据分析
Validated和Unvalidated分开，未抄取当前完整数值表
核查 2026-09-27 · 3条引用关系
历史场景
Spider 2.0 →
企业SQL工作流
输出正确不等于业务口径合理
核查 2026-09-27 · 2条引用关系
历史场景
WorkArena / WorkArena++ →
企业UI和组合流程
不证明客户发现或现场采用
核查 2026-09-27 · 3条引用关系
历史场景
tau2-bench →
政策工具用户交互
模拟用户不是实际客户；版本不同不合并
核查 2026-09-27 · 5条引用关系
历史场景
CRMArena-Pro →
CRM业务与多轮交互
仓库限定研究用途，GUI需申请
核查 2026-09-27 · 1条引用关系
历史场景
Voice of Customer →
客户需求抽取
抽取不等于优先级；未确认完整数据开放
核查 2026-09-27 · 2条引用关系
历史场景
AD-Bench →
广告分析正确性与轨迹
非实际广告增量；旧资产核验显示数据未开放
核查 2026-09-27 · 2条引用关系
历史场景
Upworthy Research Archive →
真实实验结果与可靠性
非当前AI评测；随机化异常需筛选
核查 2026-09-27 · 4条引用关系
历史场景
Marketing Benchmark →
营销产物与分析任务
单次尝试，自测，judge与holdout限制
核查 2026-09-27 · 6条引用关系
历史场景
HiL-Bench →
选择性求助
受控任务不证明现场最优分工
核查 2026-09-27 · 6条引用关系
历史场景
Anthropic Agent autonomy →
授权打断澄清模式
观察相关性及厂商用户样本
核查 2026-09-27 · 1条引用关系
历史场景
METR developer productivity update →
协作总时间与实验选择偏差
后续结果不是可靠当前收益估计
核查 2026-09-27 · 0条引用关系
历史场景
HBS BCG jagged frontier →
不同任务的辅助效果
历史模型和咨询任务
核查 2026-09-27 · 3条引用关系
历史场景
AgentRx →
Agent失败定位和根因诊断
115条失败轨迹；诊断准确性不等于修复成功
核查 2026-09-27 · 1条引用关系
历史场景
SpreadsheetBench 2 →
工作簿生成、修复与可视化交付
V1和V2分开；复杂环境及模型配置影响结果
核查 2026-09-27 · 2条引用关系
历史场景
MCP Atlas →
工具发现、跨服务组合与错误恢复
页首最高分与结果表不一致，不采用页首排名；不是客户系统集成
核查 2026-09-27 · 2条引用关系
历史场景
TheAgentCompany →
企业多应用和同事交互任务
模拟公司及同事，非真人组织采用；未取当前榜单数值
核查 2026-09-27 · 1条引用关系
历史场景
OSWorld 2.0 →
长流程、跨应用、状态与核对
108任务及500步协议，不能与V1直接比较
核查 2026-09-27 · 2条引用关系
历史场景
SentinelBench →
长期监测、等待、条件触发与不行动
100个合成网页任务，事件时间人工设置；非生产稳定性证明
核查 2026-09-27 · 0条引用关系
交付任务
AI参与的修复PR：哪些被项目接收，哪些没有 →
五类Agent参与的8106个修复PR中5267已合并、2113关闭未合并、726仍开放；提供修复交付与项目接收的观察。
非随机样本，Agent配置与项目不同；合并不等同全部正确或净省时，不用于本站成功率。
核查 2026-10-19 · 0条引用关系
交付任务
把长时间应用开发交付给Agent →
展示围绕可用应用的实现、操作评价与修正循环，支持以用户行为验收功能。
作者工程案例；未复现演示应用，不能推出任意项目可靠率或多Agent必优。
核查 2026-10-19 · 0条引用关系
交付任务
Harness²：固定执行模型，改进运行流程 →
WorkBuddy-Bench Code上的平均检查得分变化及工具/上下文/检查流程的优化方法。
检查项均分不是项目通过率；经验流内相关，候选与编辑成本另计；未验证本站任务。
核查 2026-10-19 · 0条引用关系
交付任务
Anthropic内部的工作与职责变化 →
单公司现场观察到Agent组织、上下文维护和注意力分配成为新的工作。
公司业务及采用选择特殊；产出代理量不等于完整业务价值，不外推行业岗位数量。
核查 2026-10-19 · 0条引用关系
交付任务
Terminal-Bench 4.0的资源与验收修订 →
环境资源、题目和验收器会改变测量结果；不同环境版本需重跑。
这是测量修订，不是模型能力突破；基准预算不能照搬成业务时限。
核查 2026-10-19 · 0条引用关系
交付任务
持续维护评测：何时复用、重评和重跑 →
保存产物，按输入环境或验收变化分别重跑或重评；用参考、空操作与作弊控制校准。
方法论依据，不提供本站工作可靠率。
核查 2026-10-19 · 0条引用关系
交付任务
Agent评估：以交付与最终状态验收 →
区分任务、试次、产物和轨迹；以明确目标与可通过参考解校准验收。
方法建议不是某领域能力试验；模型裁判需独立校准。
核查 2026-10-19 · 4条引用关系
交付任务
AlphaProof Nexus：形式证明搜索进入开放数学问题 →
论文报告在353个Erdős问题中解决9个、492个OEIS猜想中证明44个，并公开Lean产物；展示搜索和内核反馈循环。
选题、形式库和搜索预算影响覆盖；未逐条重放论文证明，也不代表自然语言题意已自动核验。
核查 2026-10-19 · 4条引用关系
交付任务
OpenAI公开新的数学研究产物 →
内部前沿模型的研究结果、部分Lean形式化及尝试信息被公开，可逐项检查。
并非每项结果均获学界接受或有形式证明；内部模型不等于公众产品；10月15日更新不是新能力发布。
核查 2026-10-19 · 2条引用关系
交付任务
Deep Think在专业数学研究中的生成、核查与修订 →
研究案例包含找证明、找反例与跨领域联系；区分自主和协作贡献，并允许返回未解决。
自然语言核查器不是形式内核；发布时作者未声称其最高两档重大突破，未逐篇复核案例。
核查 2026-10-19 · 2条引用关系
交付任务
Lean官方：怎样验证一份证明 →
固定目标后检查证明与传递公理，另核对形式陈述是否等于原问题。
工具方法而非模型能力数据；latest会变，实际运行须锁定Lean和Mathlib版本。
核查 2026-10-19 · 2条引用关系
交付任务
SciPy线性规划：约束、整数性和退出状态 →
提供可程序化求解和残差/状态检查的工具方法，区分不可行、无界与数值失败。
不是AI测试；仅覆盖该求解器支持的问题，不能把线性规划验收外推到任意数值模型。
核查 2026-10-19 · 1条引用关系
交付任务
金融Agent模板：模型维护、对账与研究交付 →
官方公开金融工作参考架构，包含报告到模型、总账对账和研究备忘录等跨文件交付。
发布说明和模板存在不等于已验证用户公司的流程、正确率或投资收益；客户节时引语未作证据。
核查 2026-10-19 · 2条引用关系
交付任务
FINCH：按完整财务工作簿验收 →
跨表工作流应检查数值公式、覆盖、非预期改动与可读性，并接受等价实现。
旧版本基准方法，未运行其任务；不能把自动裁判一致性或旧模型成绩充当当前现场能力。
核查 2026-10-19 · 0条引用关系
交付任务
OpenAI内部分析Agent：从业务问题到查询与报告 →
展示数据发现、多轮查询、复核和发布的闭环；口径与生成数据的代码是必要上下文。
内部专用系统；没有给出本站三项分析的可靠率，也没有证明任意因果问题可自动识别。
核查 2026-10-19 · 7条引用关系
交付任务
数据分析应用参考：查询可见，修正明确保存 →
可实施的数据分析应用参考，支持发现schema、只读查询、呈现SQL和控制修正保存。
工程示例而非能力或节时试验；未执行示例代码，使用时仍须适配身份、数据库与口径。
核查 2026-10-19 · 2条引用关系
交付任务
样本比例异常：实验看似有效也可能有数据问题 →
实验分配比例异常是需定位原因的数据质量信号，不能跳过诊断直接接受效果结论。
长期适用的方法背景，不是2026年AI进展；SRM无异常也不能证明所有识别假设成立。
核查 2026-10-19 · 1条引用关系
交付任务
任务时间跨度：软件任务趋势及其适用范围 →
在给定软件类任务分布上，按人类专家任务时长描述模型可完成难度，适合观察长链能力趋势。
此页已停止主动更新；时间跨度不是Agent自主运行时长，不直接对应行业自动化或AGI日期。
核查 2026-10-19 · 0条引用关系
交付任务
OpenHands Agent Canvas：固定版本实现入口 →
固定仓库版本的实现资料只读核查
未执行该最新仓库的模型工作；不可把README展示结果当本站复现
核查 2026-10-19 · 0条引用关系
交付任务
Microsoft RD-Agent：研究循环实现 →
固定仓库版本的实现资料只读核查
未执行该最新仓库的模型工作；不可把README展示结果当本站复现
核查 2026-10-19 · 0条引用关系
交付任务
Mathlib：固定工具链与构建入口 →
固定仓库版本的实现资料只读核查
未执行该最新仓库的模型工作；不可把README展示结果当本站复现
核查 2026-10-19 · 0条引用关系
交付任务
Cognition：内部提交代码的Devin采用声明 →
厂商对自身工程团队提交代码的自述
89%是原文代码提交口径；未披露本站需要的工作量分母、统计窗口、复核人时与独立审计
核查 2026-10-19 · 0条引用关系
交付任务
Harmonic Aristotle产品能力声明 →
厂商声明可从英文问题或Lean项目开展证明工作
本次只核对原始声明，没有调用服务或核验其广泛正确性
核查 2026-10-19 · 0条引用关系
交付任务
DeepSWE v1.1：仓库变更及独立行为验收 →
作者发布的仓库级任务与重放入口；113任务、91仓库、5语言。
未在本站运行；任务分布不等于企业后端覆盖率，网页会更新，执行前需固定仓库与runner提交。
核查 2026-10-20 · 2条引用关系
交付任务
OpenAI：SWE-Bench Pro评测问题审计 →
模型厂商对参评软件基准的原始审计说明。
作者是参评厂商；其问题比例估计不等于整个基准无效，也不证明本站验收器有相同缺陷。
核查 2026-10-20 · 1条引用关系
交付任务
Finch v5：完整财务工作流的人评与自动评价 →
作者报告172个复合workflow、384任务，区分产品代理、API及人工/自动评价。
模型与配置属于论文历史版本；公开的是数据及评价管道，xlwings/本机Excel是环境依赖；不是现成通用财务代理。
核查 2026-10-20 · 2条引用关系
交付任务
SpreadsheetBench 2 v1：业务工作簿整表验收 →
321项端到端业务工作簿任务，区分修改单元格、整表正确和图表rubric。
数值与图表口径不同，产品另测30例子集；未验证10月新模型。输入/golden/输出需重算，图表检查另需Excel/WPS COM。
核查 2026-10-20 · 2条引用关系
交付任务
Nexus Erdős125：固定公开证明产物 →
可读取的特定数学产物；三进制/四进制0、1数集和集的正下密度命题。
只核对文本，没有本站Lean重放；定理的False答案须连同目标声明解释，不能把邻近问题或变体当原题自动通过。
核查 2026-10-20 · 2条引用关系
交付任务
Aristotle官方分发包2.1.0与调用入口 →
官方SDK分发的安装、鉴权和证明工作调用方式。
需要账户/API key；本轮未调用；SDK可安装不代表研究系统Nexus可调用，不继承IMO评估预算或成绩。
核查 2026-10-20 · 1条引用关系
交付任务
UNDERWRITE：在企业准则与工具环境中评估核保Agent →
商业财产责任险的合成企业环境，包含准则、数据库和模拟用户；评估回答正确性与交互。
不是真实承保/赔付结果；正文最高分与Table 1口径存在差异，此处不转录榜单分数，也不外推当前最强模型。
核查 2026-10-20 · 2条引用关系
交付任务
Cooper IAB：保险文件理解的厂商评估 →
166份保险文件的字段、条款、跨文件与缺失值处理；厂商自报单次评估，含文档系统对照。
平均judge分含部分得分，不是核保或理赔流程通过率；文档访问受限，本站未独立复验。
核查 2026-10-20 · 2条引用关系
交付任务
AWS保险理赔Agent示例：可检查的组织与集成入口 →
寿险身故理赔参考实现，提供样例保单与模拟场景、流程和运行依赖。
README核对，未运行；预置保单、纯文本文档和示例路径不证明真实身份/证据真实性或一般理赔准确率。
核查 2026-10-20 · 2条引用关系
交付任务
SWE-bench Multimodal 原论文 →
视觉JavaScript缺陷；跨语言与视觉泛化研究
历史模型/任务，不是当前前端、可访问性或产品完成率。
核查 2026-10-20 · 1条引用关系
交付任务
Playwright accessibility testing →
浏览器与axe检查方法
工具方法，不是AI成绩；自动扫描不能覆盖所有可访问性问题。
核查 2026-10-20 · 1条引用关系
交付任务
Playwright MCP 官方实现 →
Agent浏览器操作与可见状态入口
可用实现不证明任务正确；需固定执行版本并隔离账户数据。
核查 2026-10-20 · 3条引用关系
交付任务
AndroidWorld 原论文 →
动态参数化Android应用操作评测
操作既有app，不评估新app编写、iOS、耗电或真实设备驱动。
核查 2026-10-20 · 1条引用关系
交付任务
AndroidWorld 官方环境 →
API33模拟器、状态任务和M3A运行入口
默认legacy模型；Docker仍标experimental，未在本站安装。
核查 2026-10-20 · 1条引用关系
交付任务
Android 活动生命周期测试 →
设备事件和生命周期测试方法
平台验收方法不是AI完成性证据；模拟器不能代替全部真机外设。
核查 2026-10-20 · 1条引用关系
交付任务
MLE-bench 原论文 →
Kaggle训练、数据准备与实验交付
离线竞赛不覆盖在线收益/模型运维；历史配置不代表现行最好系统。
核查 2026-10-20 · 1条引用关系
交付任务
MLE-bench 官方实现与可比性公告 →
训练环境、评分器、运行入口
官方暂停新榜单提交；不同预算、数据访问和脚手架成绩不可混用。
核查 2026-10-20 · 1条引用关系
交付任务
MLflow Tracking 官方说明 →
参数、代码版本、指标与产物记录
记录工具不证明训练/部署正确；执行前应固定依赖。
核查 2026-10-20 · 2条引用关系
交付任务
Spider2 官方任务与维护公告 →
企业SQL与DuckDB/dbt仓库级任务
Snowflake账号暂停公告；DBT本地路径与云环境不能等同。
核查 2026-10-20 · 3条引用关系
交付任务
DBA-Bench v2 →
有负载的状态式DB运维评估
原文预印本；诊断、恢复与安全结果须分开，不能外推目标生产库成功率。
核查 2026-10-20 · 5条引用关系
交付任务
PostgreSQL18 连续归档与PITR →
基础备份、WAL、时间点恢复与限制
原生机制而非AI评测；配置文件需另外保护，备份存在不等于已还原。
核查 2026-10-20 · 3条引用关系
交付任务
AIOpsLab 官方框架 →
可注入故障、生成负载并观察恢复状态的试验床
框架不是SRE端到端可靠率；拓扑、权限和业务不变量需另配。
核查 2026-10-20 · 7条引用关系
交付任务
Cybench v4 →
受控CTF执行与任务级能力评测
CTF不代表生产检测、合规、完整审计或授权范围外扫描。
核查 2026-10-20 · 2条引用关系
交付任务
Phishing Triage Agent 随机对照试验 →
AI增强分析师钓鱼队列研判
厂商相关研究；有人参与的队列实验不是自主事件响应全流程。
核查 2026-10-20 · 1条引用关系
交付任务
Microsoft Phishing Triage Agent 接入说明 →
商业安全产品账号、权限、容量条件
许可/容量有要求，未在本站登录或开通；存在产品不等于已验证本单位邮箱。
核查 2026-10-20 · 0条引用关系
交付任务
EmbedAgent v3 →
编程、原理图和跨平台迁移仿真评测
126例、小型板卡与虚拟电路，不是工业实时、EMC或实物认证。
核查 2026-10-20 · 2条引用关系
交付任务
EmbedAgent 官方实现 →
可检查虚拟电路与固件任务入口
仿真不等于实物；工具与API费用未实测。
核查 2026-10-20 · 1条引用关系
交付任务
TheAgentCompany v3 →
办公系统、跨工具任务与沟通评测
模拟同事/公司，不能推断真实利益协调或完整项目经理责任。
核查 2026-10-20 · 2条引用关系
交付任务
TheAgentCompany 官方环境 →
项目与文档等公司环境的可运行任务资产
需隔离部署、模型API与环境资源；未在本站运行。
核查 2026-10-20 · 3条引用关系
交付任务
SWT-Bench 官方实现 →
缺陷前失败、修复后通过的测试生成评测
复现脚本模式不跑全套测试；不能把覆盖率当检出率或业务正确性。
核查 2026-10-20 · 4条引用关系
交付任务
ReviewBench 官方语料与评测实现 →
有人工审阅发现的真实PR检查资产
参考发现集合不是缺陷全集，LLM裁判不能代替复现；本文不引用其榜单成绩。
核查 2026-10-20 · 2条引用关系
交付任务
OSWorld2.0 v2 →
跨应用长流程与隐藏状态的任务评估
二元完成与部分分不能混用；不是企业IT恢复专属成功率。
核查 2026-10-20 · 2条引用关系
交付任务
IT管理员 Security Copilot RCT v2 →
登录、设备策略与故障的辅助管理员实验
人加Copilot，不是自主远程维修；v2修正时间数字，不是新能力跃迁。
核查 2026-10-20 · 3条引用关系
交付任务
PaperBench v3 →
从论文到实现和实验的复现评测
部分复现得分不是论文完整复现率；不检验新颖性与所有理论结论。
核查 2026-10-20 · 2条引用关系
交付任务
Security Copilot inclusion现行说明 →
Entra/Intune等集成与许可/容量条件
有资格不等于租户已启用；不提供恢复实测。
核查 2026-10-20 · 2条引用关系
交付任务
OSWorld 官方实现 →
桌面环境、任务与执行检查入口
OSWorld原始/Verified与2.0任务集须区分；未在本站安装。
核查 2026-10-20 · 0条引用关系
交付任务
AlphaEvolve 白皮书 →
代码搜索、自动评价与算法成果
专用研究系统和任务；不推断公开Agent均可复现，也不是自由理论发现率。
核查 2026-10-20 · 2条引用关系
交付任务
AlphaEvolve 公开产物 →
可检查算法/数学成果入口
公开成果不等于完整搜索系统/训练配置开放，本站未重放。
核查 2026-10-20 · 1条引用关系
交付任务
KServe0.20发布说明 →
模型服务流量切分与部署机制
工具机制不代表AI能稳定完成模型运维。
核查 2026-10-20 · 2条引用关系
交付任务
Google DeepMind AlphaEvolve首次成果公布 →
专用研究系统的算法与计算成果首次公开身份
厂商研究披露，不能代表公开服务已可获得或任意任务完成率。
核查 2026-10-20 · 0条引用关系
交付任务
PostgreSQL18 Failover →
复制切换与恢复冗余的方法
不是AI成绩；完整检测/通知工具不由PostgreSQL单独提供。
核查 2026-10-20 · 2条引用关系
交付任务
NIST SP800-61r3 →
风险路径、事件结论、证据与业务恢复方法
专业建议，不是AI自主响应实测。
核查 2026-10-20 · 4条引用关系
交付任务
NIST SP800-53A r5 →
可检查对象与测试确认控制效果
方法不是模型成绩；组织控制和评估深度需任务定义。
核查 2026-10-20 · 2条引用关系
交付任务
NeurIPS Paper Checklist →
研究陈述与复算材料要求
投稿/自查方法，不是AI科研传播成绩。
核查 2026-10-20 · 2条引用关系
交付任务
NIST工程统计手册：What is EDA →
分布、异常、结构、关系与假设探索
统计方法，不是AI实测，也不提供因果识别。
核查 2026-10-20 · 1条引用关系
交付任务
kubectl auth can-i →
可执行授权检查接口
工具接口不是AI成绩；目标产品、角色、许可与版本需实际核实，本站未使用。
核查 2026-10-20 · 1条引用关系
交付任务
Defender for Endpoint设备响应操作 →
商业端点响应/证据收集接口
工具接口不是AI成绩；目标产品、角色、许可与版本需实际核实，本站未使用。
核查 2026-10-20 · 1条引用关系
交付任务
Finch v5：完整财务工作流与产物验收 →
172个复合工作流的作者报告与整包验收方法。
2026-04-15版本与其中模型配置；非当前全部模型排行、非本站试验。
核查 2026-10-20 · 2条引用关系
交付任务
Beancount固定代码：账户、币种与交易平衡校验 →
可检查确定性账务校验实现。
账务规则工具，不证明原始交易真实、会计政策正确或AI入账成功率。
核查 2026-10-20 · 7条引用关系
交付任务
FinRobot固定DCF计算与边界处理 →
确定性DCF实现可审阅，可与Agent的资料和假设生成分开。
仅代码抽查，未运行；不证明假设合理、正式估值或投资收益。
核查 2026-10-20 · 7条引用关系
交付任务
FinRobot已有NVDA示例研究报告 →
公开可取的报告产物入口。
只核对产物存在及来源身份，没有复算全报告，不作为质量或收益独立验证。
核查 2026-10-20 · 5条引用关系
交付任务
Qlib固定文档：成本前后回测 →
可检查回测配置、仓位和成本分析路径。
方法和示例；不证明Agent策略有效，回测不等于实盘成交。
核查 2026-10-20 · 3条引用关系
交付任务
Qlib固定执行仿真配置 →
可配置执行仿真环境。
不是交易所或券商真实接口，成交和市场冲击模型须单独核对。
核查 2026-10-20 · 2条引用关系
交付任务
QuantLib固定BermudanSwaption示例 →
可检查数值定价与不同求解路线对照。
不是任何模型均正确的证明；市场、合约与日期约定需冻结。
核查 2026-10-20 · 2条引用关系
交付任务
ORE固定XVA压力与损益归因算例 →
可检查的定价风险情景输入和运行入口。
示例风险组合及市场模型；不涵盖操作、反欺诈和全部机构风险。
核查 2026-10-20 · 7条引用关系
交付任务
chainladder固定Mack准备金实现 →
产险赔款发展三角和准备金方法可检查。
不证明AI会选对方法、尾部假设或真实准备金充分性。
核查 2026-10-20 · 2条引用关系
交付任务
lifelib固定寿险模型入口 →
寿险现金流、定价和模型测试的公开实现入口。
README用途声明与代码入口，不是AI实测或任何法域监管适用性结论。
核查 2026-10-20 · 6条引用关系
交付任务
Tax-Calculator固定模型与可选Agent入口 →
固定版本的税务微观模拟与自然语言模型使用路径。
不是电子报税系统；公开说明无独立Agent成功率，不能覆盖中国税种或企业税务。
核查 2026-10-20 · 2条引用关系
交付任务
美国2024税年Form1040固定说明 →
只作美国联邦个人所得税2024年示范的规则和表单核对入口。
不提供本网站用户当前税率/申报结论，不外推州税、企业税或中国规则。
核查 2026-10-20 · 1条引用关系
交付任务
PCAOB AS1105职业证据约束 →
证据相关可靠性、主张与冲突证据的专业方法。
职业方法来源，非AI能力证明；具体审计期间与适用修订应按委托另核。
核查 2026-10-20 · 2条引用关系
交付任务
PCAOB人员2024年GenAI实际调研 →
有限访谈中的资料研究、草稿和部分对账使用观察。
历史有限访谈，非2026能力上限、非正式规则、非审计全流程成绩。
核查 2026-10-20 · 2条引用关系
交付任务
IBM AMLSim固定合成交易与已知模式 →
能提供带已知模式的合成数据以设计案例正负例。
合成器不是AI调查器；合成标签不能证明真实洗钱、可疑报告法律结论或现实漏报率。
核查 2026-10-20 · 2条引用关系
交付任务
官方固定月结Agent模板 →
计提、滚动表和差异说明组成月结候选包。
该模板不直接过账；是可配置参考而非可靠性试验，不能当永久人机边界。
核查 2026-10-20 · 2条引用关系
交付任务
官方固定KYC案例包模板 →
客户实体、规则结果、命中和升级包参考。
不涵盖真实交易监测或全部合规；需内部规则、数据许可和筛查接口。
核查 2026-10-20 · 2条引用关系
交付任务
cFIREsim旧开源退休模拟参考 →
退休情景模拟有可检查历史实现。
仓库明确只是旧参考，当前同名服务闭源；未复放，不将旧代码与当前服务成绩互换。
核查 2026-10-20 · 2条引用关系
交付任务
FinFIRST原文：答案与证据分项评测 →
123题统一搜索/网页/Python配置的外部Agent研究。
作者单次指定运行，自动裁判；Table2分子含美国加拿大而分母是美国，地域口径需独立审查，不能把高分当研究绝对正确。
核查 2026-10-20 · 2条引用关系
交付任务
Finance Agent原文：SEC研究任务与工具 →
专家问题、原始披露与工具配置的研究任务证据。
旧配置；537题与公测50/私有150/测试337分母不能互换，不支持整套投资工作或收益。
核查 2026-10-20 · 2条引用关系
交付任务
FinGAIA v1：具体信用、风险、配置任务 →
多模态、多工具的金融资料取材与计算评估；专业角色标签须对照Appendix A实际任务。
Fig6为财报事实/实体核对，Fig7为新闻音频识别，Fig8为历史回撤计算，Fig9含图像计数、基金排序与持仓检索；这些样例不直接测授信、欺诈检测或配置优化。正文与附表口径也有差异，不使用统一专业成功率。
核查 2026-10-20 · 6条引用关系
交付任务
TaxCalcBench固定TY25评估产物 →
PDF输入、州及联邦计算和保存输出可审阅。
通常每配置单次保存结果，按最佳thinking设置展示，部分模型覆盖不足；生成成本不等于端到端报税成本。
核查 2026-10-20 · 2条引用关系
交付任务
TaxCalcBench TY25一个可检查成功产物 →
一个保存的模型评估文件，可检查逐行比较及成本口径。
单个作者自评产物、未本站重放；选中成功例不证明新案例稳定性或提交成功。
核查 2026-10-20 · 2条引用关系
交付任务
INS-ActBench：精算案例、表格与R实作 →
专业精算材料改编的直接LLM任务评估。
知识/案例经选择题改编；表格按答案格平均，不能换成整表通过率、真实准备金充足或长期精算完成率。
核查 2026-10-20 · 8条引用关系
交付任务
InvestorBench：单资产历史决策Agent →
在固定历史市场环境比较Agent决策与基线。
单资产历史模拟，早期模型与有限市场时段；不支持组合、真实成交、当前模型alpha或利润保证。
核查 2026-10-20 · 2条引用关系
交付任务
Intuit官方企业Agent产品发布 →
厂商介绍分类、对账及财务洞察的产品交付。
产品自报非独立结果；没有本站账套、错误分母或人工介入完整日志，不使用客户节时百分比。
核查 2026-10-20 · 8条引用关系
交付任务
Allianz实际Agent理赔采用说明 →
自报Agent把覆盖天气反欺诈及金额形成可交最终支付决策的处理包。
自报部署，保险公司保留最终支付决定；未公开模型、预算、逐案正确率或可重放产物，不扩大到人身或争议案件。
核查 2026-10-20 · 2条引用关系
交付任务
Allianz 2026采用回顾：区分自动化与Agent →
厂商分别描述自动宠物理赔与Agent食品理赔，不宜统称同系统。
自动宠物处理数字不证明LLM Agent；国家险种、拒赔升级与人工环节不同，无独立产物重放。
核查 2026-10-20 · 2条引用关系
交付任务
Guidewire Qusar Agent发布与准入范围 →
厂商提供接入保单/理赔/账单工作流的框架和专门Agent。
Policy Change为Early Access，Claim Summary/FNOL为Restricted Availability；不是公众无条件可用、完整核保决定或真实承保AI成绩。
核查 2026-10-20 · 2条引用关系
交付任务
PolicyCenter 2026.03承保绑定状态方法 →
产品业务API为绑定与出单的状态操作提供接口。
方法文档，不证明Agent已选对承保条件；需商业实例、权限与实际产品配置。
核查 2026-10-20 · 2条引用关系
交付任务
ClaimCenter2026.03准备金创建、追加和批准 →
准备金交易、批准及变动而非仅计算报告的公开方法。
估计合理性及持续维护需专业证据；未批准金额不进入准备金线，方法本身非AI试验。
核查 2026-10-20 · 2条引用关系
交付任务
ClaimCenter2026.03付款状态创建方法 →
付款请求的前置验证与状态对象可检查。
创建支票/支付对象不等于银行实际付讫，需外部回报及实例规则；不是AI成功证据。
核查 2026-10-20 · 2条引用关系
交付任务
ClaimCenter2026.03关闭与重开方法 →
状态关闭受业务校验，存在未关闭exposure等阻断。
基础配置示例，不能替代实际机构结案标准或债务履行检查。
核查 2026-10-20 · 2条引用关系
交付任务
Leveraging LLMs for Unstructured Claims Data Analysis →
合成赔案文本到结构化变量与分层分析的概念验证；两位临床评阅者按量表审阅核心变量。
合成数据和专家量表不是实赔准确率；分层准备金示范不证明真实准备金充分或寿险适用。
核查 2026-10-20 · 2条引用关系
交付任务
研究与本科数学陈述自动形式化的可靠评价 →
原作者研究：语义对齐与可编译分开，提供标注集和基准。
2025配置不是当下通用成功率；度量近似专家判断，不替代原题核对。
核查 2026-10-20 · 1条引用关系
交付任务
ShadowBench v1：语义对齐与编译率分离 →
原作者自动形式化评估及shadow辅助命题法。
shadow集合与专家判断仍有误差，非任意研究陈述的完整语义判定；未重跑。
核查 2026-10-20 · 2条引用关系
交付任务
ORAgentBench v1：业务材料到决策产物 →
107个有人工审查的可执行OR任务，原作者区分约束可行、归一化质量与通过。
14个模型/agent配置的任务集结果；模型不同runner，一行三次其余单次；不等于真实运营效果或本任务成功率。
核查 2026-10-20 · 2条引用关系
交付任务
SciCode：科学研究编码原始基准 →
科学问题到可运行数值代码的原始任务与评估入口。
README旧模型低分不能作2026能力上限；后有独立评价缺陷审计，需连读修订。
核查 2026-10-20 · 1条引用关系
交付任务
SciCode-Verified v1：科学验收缺陷审计与匹配重评（含协议例外） →
独立研究者审计科学代码基准，固定比较数据和测量协议。
作者自报审计并非本站独立裁定；v1与仓库统计有263/262口径，应避免混用；主任务/子题、带背景/不带背景各有分母。 Table1中两条修订版DeepSeek V4 Preview行为较早harness的三次均值，多数其它行为单次；不能对12行笼统称只变数据。
核查 2026-10-20 · 1条引用关系
交付任务
StatQA：统计方法选择与适用性 →
原作者以统计任务、列和方法适用性评估LLM；提供数据和脚本。
合成构建/元数据先验与有限方法集；历史模型成绩不等于新模型统计全流程能力。
核查 2026-10-20 · 2条引用关系
交付任务
SAPAI：临床方案到统计分析计划的验证研究 →
预印本，9个试验方案、3模型生成27份SAP，统计师双评分；描述与统计推理项分开。
未同行接收；清单准确性不是整份SAP临床有效或合规裁决；工具github入口本轮未核实可取。
核查 2026-10-20 · 1条引用关系
交付任务
ICH E9与E9(R1)：估计目标和敏感性方法 →
官方方法指南，支持设计、分析、解释对齐及同估计目标敏感性核验。
方法与工作约束，不是AI能力实测；适用法规/试验需另按辖区核实。
核查 2026-10-20 · 1条引用关系
交付任务
BixBench3 v1：研究尺度生物分析产物 →
原作者以20研究、138结构化产物评估原始数据到指定方法分析的执行。
是按给定方法复现生物研究，不是临床试验设计/疗效判断；任务平均分和产物通过率不混用，原论文也可能有错。
核查 2026-10-20 · 2条引用关系
交付任务
DafnyBench v1：程序证明注解补全 →
原作者以现有Dafny程序移除提示，再让模型补全并验证。
受限程序/固定规格，不等于自动发现业务规格或验证整个生产系统；历史模型不代表今天。
核查 2026-10-20 · 1条引用关系
交付任务
AutoRocq v1：程序验证证明义务 →
原作者将Frama-C程序验证义务送Rocq证明代理，并给Linux模块案例。
641条SV-COMP引理分母不是641程序/完整内核；论文Rocq8.18，当前仓库9.0.0，不能静默继承成绩。
核查 2026-10-20 · 2条引用关系
交付任务
CrypFormBench v1：密码形式模型能力 →
原作者覆盖符号及计算安全模型的解释、生成、补全、转换和修正。
可编译和目标一致不等于部署安全；论文700实例/677方案等统计不混成每种任务统一分母。
核查 2026-10-20 · 3条引用关系
交付任务
ShannonProver v1：密码引理级形式证明 →
原作者在给定安全模型和引理分解下自动写EasyCrypt证明，含ChaChaPoly1305等案例。
部分私有证明用于污染控制；不代表独立设计安全模型、完整部署或任意协议安全。
核查 2026-10-20 · 1条引用关系
交付任务
Shannon Prover固定源码与项目级入口 →
源码声明支持游戏/辅助引理分解与证明搜索，提供安装、隔离benchmark及完整文件再检查入口。
比v1论文任务更宽的源码能力声明须另验证；Linux严格评估需bubblewrap，未安装或调用。
核查 2026-10-20 · 1条引用关系
交付任务
HACL*固定高保证密码库方法 →
官方库对限定代码提供内存安全、功能正确与secret independence保证，并指向生产packages。
不是AI实测；secret independence只抵抗某些定时侧信道，不能证明任意硬件无泄漏或集成正确。
核查 2026-10-20 · 2条引用关系
交付任务
数学辅导随机试验：辅助作答与独立学习分离 →
原作者高中数学现场试验，GPT-4普通界面与有教学约束界面对比，无工具考试单列。
高中、特定课程和短期考试，不是大学数学或长期保持效果；使用正文指定版本而非销售效果。
核查 2026-10-20 · 3条引用关系
交付任务
Tutor CoPilot v1：真人辅导中的AI建议 →
预注册现场试验考察向导师提供实时AI建议的教学结果及行为。
真人使用建议，不是无人辅导；课题掌握不等于多年学习、大学高等数学或生成材料自动正确。
核查 2026-10-20 · 1条引用关系
交付任务
Khanmigo两学年实验原始工作论文 →
原作者两年18校集群随机试验，报告数学成绩、实际AI使用和参与问题。
中学补救练习，效果类似无AI Khan练习；不能把组合方案效果单归因AI，也不能外推大学或停止使用后的保持。
核查 2026-10-20 · 1条引用关系
交付任务
OpenAI十月数学公开产物固定版本与修订 →
原发布者公开手稿、部分Lean产物、内部模型及人类整理说明，以及撤回/修订的可追溯版本。
各稿验证/新颖状态不同，部分formalization仅支撑引理；未逐稿重放/独立裁定；内部模型不等同公开服务。
核查 2026-10-20 · 1条引用关系
交付任务
Khanmigo官方产品与角色访问入口 →
官方教师材料/辅导产品及角色、地区/学校访问说明。
产品能力声明与可注册入口不证明大学数学或长期学习效果；未注册/调用，实际使用时须核验账户和地区资格。
核查 2026-10-20 · 2条引用关系
交付任务
DeepSWE v1：Yjs冲突检测公开试次 →
v1 Yjs冲突检测单个外部基准试次；发布者公开补丁和验收日志
仅取证抽查，未独立重放；不是已合并PR、生产部署或本站成功率。
核查 2026-10-21 · 1条引用关系
交付任务
赔案文本分析：作者公开实现与运行说明 →
论文作者公开分析代码与调用入口的只读核查
未安装、调用模型或运行真实赔案；开放代码不等于验证提取质量或部署可用。
核查 2026-10-21 · 1条引用关系
职业资料
Software Developers →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 7条引用关系
职业资料
Web Developers →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Computer and Information Research Scientists →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 3条引用关系
职业资料
Computer Systems Analysts →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Information Technology Project Managers →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Database Architects →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Database Administrators →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Data Scientists →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 2条引用关系
职业资料
Business Intelligence Analysts →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Computer Network Architects →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Network and Computer Systems Administrators →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 2条引用关系
职业资料
Information Security Analysts →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 2条引用关系
职业资料
Software Quality Assurance Analysts and Testers →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Computer User Support Specialists →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Accountants and Auditors →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 2条引用关系
职业资料
Budget Analysts →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Treasurers and Controllers →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Tax Preparers →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Appraisers of Personal and Business Property →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Credit Analysts →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Securities, Commodities, and Financial Services Sales Agents →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 2条引用关系
职业资料
Financial and Investment Analysts →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 4条引用关系
职业资料
Financial Quantitative Analysts →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 2条引用关系
职业资料
Brokerage Clerks →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Financial Risk Specialists →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 2条引用关系
职业资料
Compliance Officers →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Actuaries →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Insurance Underwriters →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Claims Adjusters, Examiners, and Investigators →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Personal Financial Advisors →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Mathematicians →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 3条引用关系
职业资料
Statisticians →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Biostatisticians →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Operations Research Analysts →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Mathematical Science Teachers, Postsecondary →
美国 O*NET-SOC 职业职责参照；中文标题及导航由编辑按工作内容映射
不证明中国岗位数量、准入资格或在招需求；不提供该职业的 AI 实测结论。
核查 2026-10-20 · 1条引用关系
职业资料
Software Developers →
职业准备及地区适用参照；不提供AI任务成绩
美国职业职责、知识和工具参照；并非中国招工、市场或统一准入规定；本次不采用薪酬、学历比例和工具热度。
核查 2026-10-21 · 1条引用关系
职业资料
Web Developers →
职业准备及地区适用参照；不提供AI任务成绩
美国职业职责、知识和工具参照；并非中国招工、市场或统一准入规定；本次不采用薪酬、学历比例和工具热度。
核查 2026-10-21 · 1条引用关系
职业资料
Actuaries →
职业准备及地区适用参照；不提供AI任务成绩
美国职业职责、知识和工具参照；并非中国招工、市场或统一准入规定；本次不采用薪酬、学历比例和工具热度。
核查 2026-10-21 · 1条引用关系
职业资料
Accountants and Auditors →
职业准备及地区适用参照；不提供AI任务成绩
美国职业职责、知识和工具参照；并非中国招工、市场或统一准入规定；本次不采用薪酬、学历比例和工具热度。
核查 2026-10-21 · 1条引用关系
职业资料
Mathematicians →
职业准备及地区适用参照；不提供AI任务成绩
美国职业职责、知识和工具参照；并非中国招工、市场或统一准入规定；本次不采用薪酬、学历比例和工具热度。
核查 2026-10-21 · 1条引用关系
职业资料
Business Intelligence Analysts →
职业准备及地区适用参照；不提供AI任务成绩
美国职业职责、知识和工具参照；并非中国招工、市场或统一准入规定；本次不采用薪酬、学历比例和工具热度。
核查 2026-10-21 · 1条引用关系
职业资料
MDN Curriculum →
职业准备及地区适用参照；不提供AI任务成绩
前端入门课程参照，不是政府资格、就业保证或中国招聘门槛。
核查 2026-10-21 · 1条引用关系
职业资料
关于颁布计算机程序设计员等6个国家职业技能标准的通知 →
职业准备及地区适用参照；不提供AI任务成绩
核到颁布通知；本轮附件正文入口读取失败。只说明有相关国家技能标准，不采纳未读正文的技能等级、申报条件，也不把技能评价当通用就业许可。
核查 2026-10-21 · 2条引用关系
职业资料
中华人民共和国会计法（2024年） →
职业准备及地区适用参照；不提供AI任务成绩
用于中国会计工作专业能力、主管条件和职责边界；不把主管条件套到全部初级会计，也不把会计核算等同注册会计师执业。
核查 2026-10-21 · 1条引用关系
职业资料
精算师职业资格规定及考试实施办法 →
职业准备及地区适用参照；不提供AI任务成绩
水平评价资格、考试和证书申请分别说明；不代表所有精算助理职位的一概录用条件；不据此授予正式签署或高管任职资格。
核查 2026-10-21 · 1条引用关系
职业资料
2026年下半年精算师职业资格考试报名公告 →
职业准备及地区适用参照；不提供AI任务成绩
只用于这一期考试。公告报名截止2026-10-18，访问时已过截止；不把考试地点写成职业适用城市。
核查 2026-10-21 · 1条引用关系
前沿研究
SWE-Bench Pro V2 →
修复与回归
发布方修订说明，未独立复跑；V1/V2题集与协议不同；已有catalog记录，本轮补跨模块关系
核查 2026-10-16 · 0条引用关系
前沿研究
SWE-Lancer →
开发交付与技术方案选择
历史结果，非完整产品管理
核查 2026-09-27 · 0条引用关系
前沿研究
Terminal-Bench →
终端执行和环境验证
跨大版本不可直接比较
核查 2026-09-27 · 0条引用关系
前沿研究
GDPval →
专业产物验收
一次性交付，不能全岗外推
核查 2026-09-27 · 0条引用关系
前沿研究
Remote Labor Index →
完整项目产物
排除直接客户互动和长期效果
核查 2026-09-27 · 0条引用关系
前沿研究
DABstep →
多源业务数据分析
Validated和Unvalidated分开，未抄取当前完整数值表
核查 2026-09-27 · 0条引用关系
前沿研究
Spider 2.0 →
企业SQL工作流
输出正确不等于业务口径合理
核查 2026-09-27 · 0条引用关系
前沿研究
WorkArena / WorkArena++ →
企业UI和组合流程
不证明客户发现或现场采用
核查 2026-09-27 · 0条引用关系
前沿研究
tau2-bench →
政策工具用户交互
模拟用户不是实际客户；版本不同不合并
核查 2026-09-27 · 0条引用关系
前沿研究
CRMArena-Pro →
CRM业务与多轮交互
仓库限定研究用途，GUI需申请
核查 2026-09-27 · 0条引用关系
前沿研究
Voice of Customer →
客户需求抽取
抽取不等于优先级；未确认完整数据开放
核查 2026-09-27 · 0条引用关系
前沿研究
AD-Bench →
广告分析正确性与轨迹
非实际广告增量；旧资产核验显示数据未开放
核查 2026-09-27 · 0条引用关系
前沿研究
Upworthy Research Archive →
真实实验结果与可靠性
非当前AI评测；随机化异常需筛选
核查 2026-09-27 · 0条引用关系
前沿研究
Marketing Benchmark →
营销产物与分析任务
单次尝试，自测，judge与holdout限制
核查 2026-09-27 · 0条引用关系
前沿研究
HiL-Bench →
选择性求助
受控任务不证明现场最优分工
核查 2026-09-27 · 0条引用关系
前沿研究
Anthropic Agent autonomy →
授权打断澄清模式
观察相关性及厂商用户样本
核查 2026-09-27 · 0条引用关系
前沿研究
METR developer productivity update →
协作总时间与实验选择偏差
后续结果不是可靠当前收益估计
核查 2026-09-27 · 0条引用关系
前沿研究
HBS BCG jagged frontier →
不同任务的辅助效果
历史模型和咨询任务
核查 2026-09-27 · 0条引用关系
前沿研究
AgentRx →
Agent失败定位和根因诊断
115条失败轨迹；诊断准确性不等于修复成功
核查 2026-09-27 · 0条引用关系
前沿研究
SpreadsheetBench 2 →
工作簿生成、修复与可视化交付
V1和V2分开；复杂环境及模型配置影响结果
核查 2026-09-27 · 0条引用关系
前沿研究
MCP Atlas →
工具发现、跨服务组合与错误恢复
页首最高分与结果表不一致，不采用页首排名；不是客户系统集成
核查 2026-09-27 · 0条引用关系
前沿研究
TheAgentCompany →
企业多应用和同事交互任务
模拟公司及同事，非真人组织采用；未取当前榜单数值
核查 2026-09-27 · 0条引用关系
前沿研究
OSWorld 2.0 →
长流程、跨应用、状态与核对
108任务及500步协议，不能与V1直接比较
核查 2026-09-27 · 0条引用关系
前沿研究
SentinelBench →
长期监测、等待、条件触发与不行动
100个合成网页任务，事件时间人工设置；非生产稳定性证明
核查 2026-09-27 · 0条引用关系
前沿研究
验证研究 →
训练数据与合成数据的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 2条引用关系
前沿研究
V3.2技术报告 →
训练数据与合成数据的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 2条引用关系
前沿研究
Jamba论文 →
模型架构与硬件协同的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 1条引用关系
前沿研究
V4模型卡 →
模型架构与硬件协同的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 1条引用关系
前沿研究
Token-Efficient RL →
后训练与能力蒸馏的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 2条引用关系
前沿研究
官方训练说明 →
后训练与能力蒸馏的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 2条引用关系
前沿研究
EAGLE研究 →
推理服务与成本的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 2条引用关系
前沿研究
量化与推测解码研究 →
推理服务与成本的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 2条引用关系
前沿研究
LaRA →
知识检索、长上下文与记忆的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 6条引用关系
前沿研究
LongMemEval →
知识检索、长上下文与记忆的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 6条引用关系
前沿研究
交互理论论文 →
可解释性与机制审计的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 2条引用关系
前沿研究
跨模型研究 →
可解释性与机制审计的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 2条引用关系
前沿研究
2024与2025的官方过程对照 →
数学与形式证明的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
当前仓库与历史记录 →
数学与形式证明的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
5 月固定论文 →
软件工程的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
9 月动态榜及指标定义 →
软件工程的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
ARC 技术报告 →
高难评测与交互推理的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
成绩与配置说明 →
高难评测与交互推理的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
OpenAI流程说明 →
大规模Agent协作与工具的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
Agensh论文与附录 →
大规模Agent协作与工具的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 4条引用关系
前沿研究
AlphaEvolve 论文 →
自动研发与自迭代的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
METR 评估与方法 →
自动研发与自迭代的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
开源账本 →
网络安全的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
状态定义 →
网络安全的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
DeepMind Atlas 公告 →
基因蛋白与虚拟细胞的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
蛋白工程研究 →
基因蛋白与虚拟细胞的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
二期论文 →
药物与医疗的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
三期注册记录 →
药物与医疗的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
Nature Machine Intelligence 论文 →
材料发现的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
原论文 PDF 与实验细节 →
材料发现的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
ECMWF v2 实施说明 →
天气预报的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
ECMWF 已知问题 →
天气预报的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
作者说明 →
天文研究的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
技术草稿 PDF →
天文研究的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
论文 →
机器人的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
U0 论文与实验 →
机器人的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
Genie 3 介绍 →
世界模型的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
Project Genie 说明 →
世界模型的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
日本央行 →
金融专业工作的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
HSBC →
金融专业工作的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
NBER论文 →
法律会计与税务的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
试验登记 →
法律会计与税务的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
塞拉利昂试验 →
教育公共服务与语言覆盖的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
土耳其试验 →
教育公共服务与语言覆盖的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
Seagate案例 →
制造与供应链的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
Bosch案例 →
制造与供应链的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
企业开发者试验 →
经济组织与就业的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 3条引用关系
前沿研究
真实仓库试验 →
经济组织与就业的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 3条引用关系
前沿研究
融资链 →
基础设施融资与金融系统的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
需求与供给 →
基础设施融资与金融系统的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
Vending-Bench 2 →
Agent经营经济模拟与商业落地的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 3条引用关系
前沿研究
Project Vend →
Agent经营经济模拟与商业落地的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 3条引用关系
前沿研究
模型卡 →
小模型与模拟办公支持特定机制，不能推出企业持续交付或普遍训练降本。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-13 · 2条引用关系
前沿研究
事实对象研究 →
检索、上下文与记忆各有任务依赖，相关会话oracle不代表完整生产系统。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-13 · 3条引用关系
前沿研究
法律审计 →
归因与机制干预提出可疑依据，解释图不是完整审计或生产风控通过。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-13 · 3条引用关系
前沿研究
Circuit Tracing方法 →
归因与机制干预提出可疑依据，解释图不是完整审计或生产风控通过。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-13 · 2条引用关系
前沿研究
质疑预印本 →
形式核验检查形式命题，新颖性、自然语言对应与同行判断仍独立。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
First Proof 第二批盲审报告 →
形式核验检查形式命题，新颖性、自然语言对应与同行判断仍独立。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
SWE-Marathon 原论文 →
旧测试可能掩盖迁移未完成；完整交付需要独立反例与行为保持。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 4条引用关系
前沿研究
SWE Refactor Bench →
旧测试可能掩盖迁移未完成；完整交付需要独立反例与行为保持。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 4条引用关系
前沿研究
AgentWorld →
更多实例扩大搜索，也增加协调和集成成本；实例数不等于收益。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
LLMA-Mem →
更多实例扩大搜索，也增加协调和集成成本；实例数不等于收益。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
Time Horizon方法 →
可计算目标已有局部优化，选题、反例和外部复现不由优化分数代替。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
项目公告与限制 →
漏洞报告、修复、安装和权限恢复分别验证；扫描量不是防御收益。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
提示注入防御研究 →
漏洞报告、修复、安装和权限恢复分别验证；扫描量不是防御收益。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 4条引用关系
前沿研究
GAUGE 预印本 →
视频交互、实测物理参数和策略迁移是不同验收对象。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
FinSearchComp论文 →
检索抽取可辅助投研，公式、幻灯片和备忘录一致性及客户接受另有门槛。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
BankerToolBench →
检索抽取可辅助投研，公式、幻灯片和备忘录一致性及客户接受另有门槛。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 3条引用关系
前沿研究
FinMMDocR →
检索抽取可辅助投研，公式、幻灯片和备忘录一致性及客户接受另有门槛。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
DELTA →
文书和分类的特定研究不能统一推出人时节省或跨法域完整判断。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
Journal of Accounting Research研究 →
文书和分类的特定研究不能统一推出人时节省或跨法域完整判断。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
IZA研究 →
辅导与代写撤除后效果不同；服务用时、质量及语言公平分别核查。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
爱尔兰试验 →
辅导与代写撤除后效果不同；服务用时、质量及语言公平分别核查。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
跨语言评审偏差 →
辅导与代写撤除后效果不同；服务用时、质量及语言公平分别核查。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
GitHub产出链 →
工具效果随任务和经验不同；发布、接收、返工与现金流决定兑现。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 4条引用关系
前沿研究
企业生产率研究 →
工具效果随任务和经验不同；发布、接收、返工与现金流决定兑现。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 4条引用关系
前沿研究
Andon Café →
模拟余额与触达不足以判断经营；预算、授权、反馈与全成本应记录。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 3条引用关系
前沿研究
GAO采购审查 →
模拟余额与触达不足以判断经营；预算、授权、反馈与全成本应记录。
继承指定研究的核验与配置范围，本次未重新复跑原始实验；文献独立家族未知。
核查 2026-10-12 · 2条引用关系
前沿研究
GitHub许可证 →
后训练与能力蒸馏中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-13 · 2条引用关系
前沿研究
撤回与修订历史 →
数学与形式证明中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
黎曼界论文 →
数学与形式证明中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
Riemann.fail 挑战记录 →
数学与形式证明中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
研究级开放题协议 →
数学与形式证明中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
HLE 官方发布 →
高难评测与交互推理中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
Scale HLE-Diamond 榜 →
高难评测与交互推理中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
Astra 9 月 3 日模型页 →
高难评测与交互推理中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
9 月 29 日更新页 →
高难评测与交互推理中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
Science 运营榜 →
高难评测与交互推理中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
GPQA原论文 →
高难评测与交互推理中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
Nature Raygun 研究 →
基因蛋白与虚拟细胞中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
State 原文 →
基因蛋白与虚拟细胞中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
13 方法比较 →
基因蛋白与虚拟细胞中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
首例给药公告 →
药物与医疗中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
主要试验结果 →
药物与医疗中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
两年随访 →
药物与医疗中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
旧版风速比较 →
天气预报中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
AIFS运行时间线 →
天气预报中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
地图、方法、误差和下载状态 →
天文研究中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
端侧两版本同平台适配对照 →
机器人中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
Genie2 2024发布 →
世界模型中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
信贷实验 →
金融专业工作中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
FrontierFinance →
金融专业工作中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 3条引用关系
前沿研究
Samaya榜单 →
金融专业工作中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 3条引用关系
前沿研究
指导蒸馏 →
金融专业工作中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
财报预测 →
金融专业工作中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
FINSABER →
金融专业工作中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
12333案例 →
教育公共服务与语言覆盖中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
BYOL →
教育公共服务与语言覆盖中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
企业调查 →
经济组织与就业中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 4条引用关系
前沿研究
青年就业研究 →
经济组织与就业中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
跨国劳动需求 →
经济组织与就业中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
小企业试验 →
经济组织与就业中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
OECD情景 →
经济组织与就业中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
科技私人信贷 →
基础设施融资与金融系统中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
软件贷款暴露 →
基础设施融资与金融系统中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
金融稳定机制 →
基础设施融资与金融系统中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
羊群实验 →
基础设施融资与金融系统中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
EconGym →
Agent经营经济模拟与商业落地中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
生产与交换研究 →
Agent经营经济模拟与商业落地中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
微观行为校准 →
Agent经营经济模拟与商业落地中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 2条引用关系
前沿研究
匿名项目线索 →
Agent经营经济模拟与商业落地中与该原始来源对应的研究主张
继承指定研究的核验与配置范围；文献家族未知，不按URL计独立实验。
核查 2026-10-12 · 1条引用关系
前沿研究
Jamba: A Hybrid Transformer-Mamba Language Model →
训练数据与合成数据的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 1条引用关系
前沿研究
Jamba-1.5: Hybrid Transformer-Mamba Models at Scale →
训练数据与合成数据的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-13 · 1条引用关系
前沿研究
MatBrain正式版补充材料 →
材料发现的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
AIFS ENS v2业务实施说明 →
天气预报的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 1条引用关系
前沿研究
Seagate官方成功指标图 →
制造与供应链的指定研究/机构/配置；不自动适用其他任务
继承既有报告审查范围；导入未重跑或重新核验全部原始来源。文献家族未知，不计独立实验数。
核查 2026-10-12 · 2条引用关系
前沿研究
AI参与修复PR的接收研究 →
开源修复PR观察
未随机匹配；非本团队收益
核查 2026-10-16 · 0条引用关系
前沿研究
数学训练的跨任务迁移 →
Qwen3-14B同数学问题训练比较
不等总算力，非真实工作试验
核查 2026-10-16 · 1条引用关系
前沿研究
Program of Thoughts外部计算 →
固定财报/数值问答的计算接口
不验证完整报表、形式证明或净收益
核查 2026-10-16 · 2条引用关系
前沿研究
GDPval v2虚构损益表材料 →
会计工作簿与验收方法参考
单项首次公开日及许可未明确；不复制材料、不声称执行
核查 2026-10-16 · 1条引用关系
研究观察
OpenAI Signals v2.0 →
18岁以上消费版消息，每月抽样30万；加权与差分隐私；不含Enterprise和Codex
消息分类份额，不能推断工作人员采用、工作完成率或绝对消息量
核查 2026-10-15 · 1条引用关系
研究观察
Anthropic Economic Index June2026 →
聊天/Cowork Free/Pro/Max；分类器O*NET30.2，本站31.0按ID+英文任务全文桥接
未公布不等于零；已公布0可能因两位小数取整；份额不是验收或工时
核查 2026-10-15 · 1条引用关系
研究观察
美国Census BTOS AI使用调查 →
美国非农雇主企业抽样调查，是否过去两周在任一业务职能使用AI；相邻期并非同一批企业；六组双周轮换样本每12周复访，年度样本更新
企业自报采用；不是员工/任务采用或生产率。2026-07-27样本更新，跨期人群不固定
核查 2026-10-15 · 1条引用关系
研究观察
Epoch ECI固定快照 →
跨测试拟合的综合指数；组件保留模型版本，可能取同名同日不同配置的最高成绩
模型日不等于测量日；本次快照不是逐日历史；组件0–1分不称工作通过率
核查 2026-10-15 · 2条引用关系
研究观察
MathArena AIME2025固定赛事 →
公开2025题组；模型/推理档位逐行保留
单行实际运行日与重复次数未知；赛事后模型可能见过公开题；不是研究级证明
核查 2026-10-15 · 1条引用关系
研究观察
LiveCodeBench历史代码生成窗口 →
454题；实际题目日期2024-08-04至2025-04-07；execution-based pass@1
不是2026新题实测；模型发布日未可靠建立，全部保持null；不与AIME合并排名
核查 2026-10-15 · 1条引用关系
研究观察
Artificial Analysis成本方法 →
测试场景的输入/缓存/输出token成本与任务权重；不是完整业务流程费用
本阶段仅说明指标并链接官方方法；未导入或提供AA数字排行榜
核查 2026-10-15 · 1条引用关系
研究观察
代码预训练影响任务表现 →
374M模型，控制代码/自然语言配比；competitive总token固定、additive语言token固定
小模型与特定任务；加代码不统一改善所有语言任务；以正文定义为准，abs摘要标签有倒置
核查 2026-10-15 · 1条引用关系
研究观察
DeepSeekMath的匹配阶段消融 →
1.3B消融：400B代码或通用预训练，接相同150B数学训练
单规模与指定训练；表中算术差不是置信区间或前沿系统通用增益
核查 2026-10-15 · 1条引用关系
研究观察
CoCoGen代码形式的提示接口 →
同检查点用代码结构或文本输出比较
F1分数不是正确率；提示格式比较不能识别代码预训练的因果效果
核查 2026-10-15 · 1条引用关系
研究观察
观察性缩放与成绩预测 →
跨模型测试分数的低维表示及下游成绩预测
观察性预测不是训练干预或具体任务通过证据；>10%指训练与留出模型的成绩跨度，不是预测误差
核查 2026-10-15 · 1条引用关系
研究观察
离散评分如何制造表观跃迁 →
评测量尺如何改变可见曲线
部分量尺的反例，不证明全部能力突破都是假象
核查 2026-10-15 · 1条引用关系
研究观察
涌现能力的操作性定义 →
小模型未显现、大模型显现的任务表现及度量条件
操作性定义与指定评测，不能直接预测工作自动化临界点
核查 2026-10-15 · 1条引用关系
研究观察
ADeLe需求维度与能力画像 →
用任务需求维度解释/预测已测试结果；包含外部题集检验
AUROC与ECE是预测器指标，不是工作成功率；本段详细条件属于预印本，不能套正式版
核查 2026-10-15 · 1条引用关系
研究观察
JobBench：专业证据推理与委派偏好 →
选题与链式评分方法
偏好用于选题；基准没有测量员工采用、满意度或净省时。
核查 2026-10-19 · 2条引用关系
研究观察
WORKBank：员工希望保留多少参与 →
美国职业任务偏好与人类参与程度
本轮阅读摘要；不是中国用户或当前用户的意愿调查，不是实际采用率。
核查 2026-10-19 · 1条引用关系
研究观察
Harness²：用执行对照改进运行方法 →
冻结执行模型下的候选运行系统、行为对照与经验复用
作者研究，本站未复现；行为对照不能验证正确性，多次运行和编辑器成本需计入。
核查 2026-10-19 · 2条引用关系
研究观察
JobBench执行器：逐题等权汇总 →
固定代码文档中的评分公式与任务数
与官网固定分数说明存在未解决的聚合口径冲突；未复跑或独立清点HF数据文件。
核查 2026-10-19 · 1条引用关系
研究观察
JobBench官网：总点数汇总说明 →
特定运行的按总点数聚合记录
不代表所有历史版本均使用此公式；与执行器README冲突未澄清，不连接成趋势。
核查 2026-10-19 · 1条引用关系
研究观察
跨企业实验：个人活动省时与任务组合 →
随机提供生成式AI访问的知识工作者实验
本轮仅核对公开摘要，不声称已阅读会员全文；个人活动省时不等于组织总产出增加。
核查 2026-10-19 · 2条引用关系
研究观察
淘宝客服实验：速度、质量与接管 →
客服Agent与人工监督的随机现场实验
本轮阅读摘要，未独立复现；结论限该客服流程，不推算软件或金融岗位收益。
核查 2026-10-19 · 1条引用关系
边界时间轴
GitHub Copilot技术预览 →
本轮直接阅读所列原文位置；未复跑实验
现页面后续更新；只取初始代码建议流程，不反推后续功能
核查 2026-10-14 · 1条引用关系
边界时间轴
Copilot受控开发实验 →
本轮直接阅读所列原文位置；未复跑实验
发布方研究，单一任务；不是整个软件生命周期的收益
核查 2026-10-14 · 1条引用关系
边界时间轴
SWE-bench首稿 →
本轮直接阅读所列原文位置；未复跑实验
1.96%是Claude2+BM25结果，oracle条件4.8%；不选择性把前者说成最高能力
核查 2026-10-14 · 1条引用关系
边界时间轴
SWE-bench Verified发布 →
本轮直接阅读所列原文位置；未复跑实验
500题筛选子集与原2294题不同；当前页面有2025更新
核查 2026-10-14 · 1条引用关系
边界时间轴
Copilot coding agent发布 →
本轮直接阅读所列原文位置；未复跑实验
功能说明不提供整体成功率；引用当时流程，不作为现产品权限配置说明
核查 2026-10-14 · 1条引用关系
边界时间轴
METR早期2025开发效率RCT →
本轮直接阅读所列原文位置；未复跑实验
16位熟悉所维护仓库的开发者/246任务；不代表所有程序员
核查 2026-10-14 · 1条引用关系
边界时间轴
METR后续研究设计修正 →
本轮直接阅读所列原文位置；未复跑实验
选择、支付和并行计时问题导致结果仅弱证据；不能据此计算可靠趋势
核查 2026-10-14 · 1条引用关系
边界时间轴
SWE-bench Verified测量审计 →
本轮直接阅读所列原文位置；未复跑实验
59.4%针对138道困难审计题，不是全部500题；发布方审计
核查 2026-10-14 · 1条引用关系
边界时间轴
ProgramBench固定首稿 →
本轮直接阅读所列原文位置；未复跑实验
200项黑盒重建，禁止源码/联网；固定首稿不等于动态最新榜
核查 2026-10-14 · 1条引用关系
边界时间轴
SWE Refactor Bench首稿 →
本轮直接阅读所列原文位置；未复跑实验
28/520为8模型26配置混合运行结果，不是单一模型通用通过率
核查 2026-10-14 · 1条引用关系
边界时间轴
GSM8K：多步应用题与验证器 →
本轮直接阅读所列原文位置；未复跑实验
英语小学应用题，计算器和多候选验证配置；不等于研究数学
核查 2026-10-14 · 1条引用关系
边界时间轴
GPT-4技术报告首稿 →
本轮直接阅读所列原文位置；未复跑实验
5-shot思维链，训练含部分GSM8K训练集；最终答案分不保证每步论证正确
核查 2026-10-14 · 1条引用关系
边界时间轴
AlphaGeometry发布 →
本轮直接阅读所列原文位置；未复跑实验
2000–2022年30道平面几何题；专用符号系统，不能外推全部数学
核查 2026-10-14 · 1条引用关系
边界时间轴
AlphaProof与AlphaGeometry 2：IMO2024 →
本轮直接阅读所列原文位置；未复跑实验
4.5小时×两场是学生制度；系统耗时最长3天，不是同时间预算
核查 2026-10-14 · 2条引用关系
边界时间轴
Gemini Deep Think：IMO2025 →
本轮直接阅读所列原文位置；未复跑实验
特定高级研究版本；不同年度题目/配置；认证解答不等于审计整个运行
核查 2026-10-14 · 1条引用关系
边界时间轴
DeepSeek-Prover-V2首稿 →
本轮直接阅读所列原文位置；未复跑实验
671B CoT的88.9%为pass@8192；82.4%为pass@32，61.9%为pass@1；不是首试成功率
核查 2026-10-14 · 1条引用关系
边界时间轴
AlphaEvolve发布 →
本轮直接阅读所列原文位置；未复跑实验
48次复数标量乘法不等于48次实数乘法或完整运行时加速
核查 2026-10-14 · 1条引用关系
边界时间轴
Deep Think/Aletheia研究协作 →
本轮直接阅读所列原文位置；未复跑实验
发布方研究过程报告，专家指导；未复核全部研究产物，不提供通用证明成功率
核查 2026-10-14 · 1条引用关系
边界时间轴
FinQA固定首稿 →
本轮直接阅读所列原文位置；未复跑实验
65.05%为FinQANet执行准确率；91.16%专家参照不作同样本同预算受控增长比较
核查 2026-10-14 · 1条引用关系
边界时间轴
FinanceBench固定首稿 →
2026-10-15直接复核§4/§5及Appendix B；未复跑实验
150题公开子集；29/150与118/150是同论文实验窗口中的不同流程，不能画成时间进步
核查 2026-10-15 · 1条引用关系
边界时间轴
Morgan Stanley Debrief正式公告 →
本轮直接阅读所列原文位置；未复跑实验
机构自报流程/采用，不是独立效率试验；2023上线信息此处到2024才公开确认
核查 2026-10-14 · 2条引用关系
边界时间轴
BankerToolBench固定首稿 →
本轮直接阅读所列原文位置；未复跑实验
21名银行人员172次评审，指定GPT-5.4/Opus4.6产物；0%可直接发送不是全金融行业结论
核查 2026-10-14 · 1条引用关系
边界时间轴
FrontierFinance固定首稿 →
本轮直接阅读所列原文位置；未复跑实验
56.0%是Samaya高努力内部harness的条款满足宏平均，不是完整研究通过率
核查 2026-10-14 · 1条引用关系
边界时间轴
金融NLP系统综述 →
本轮直接阅读所列原文位置；未复跑实验
374候选/221金融任务论文；论文数不是能力分/真实交易净收益
核查 2026-10-14 · 0条引用关系
边界时间轴
数学推理综述 →
本轮直接阅读所列原文位置；未复跑实验
综述用于任务框架与机制，不回填更早年份的已知成绩
核查 2026-10-14 · 0条引用关系
边界时间轴
自动形式化综述 →
本轮直接阅读所列原文位置；未复跑实验
机器核查形式命题不保证与自然语言原问题等价
核查 2026-10-14 · 0条引用关系
边界时间轴
Copilot受控实验：论文方法澄清 →
本轮直接阅读所列原文位置；未复跑实验
与2022公告同一实验家族；均值仅完成者，不是全体尝试净收益
核查 2026-10-14 · 1条引用关系
边界时间轴
AlphaGeometry原始研究 →
独立数学审阅直接核对Empirical evaluation；主Agent该入口遇到cookie重定向；未复跑实验
不含不可表达的几何不等式和组合几何；入口可能需浏览器接受cookie
核查 2026-10-14 · 1条引用关系
边界时间轴
Aletheia研究过程固定首稿 →
本轮直接阅读所列原文位置；未复跑实验
本页选取协作实例，不将文中其它自主案例或成功筛选集推广为通用研究成功率
核查 2026-10-14 · 1条引用关系
边界时间轴
开发者三项现场实验（正式期刊版本） →
本轮直接核对所列原文位置/版本；未复跑外部实验
复用现站FS071同一研究；4,867开发者，完成任务数指标，不是耗时/质量；正式版本日不是首次披露日
核查 2026-10-15 · 1条引用关系
边界时间轴
咨询工作的锯齿边界（正式期刊版本） →
本轮直接核对所列原文位置/版本；未复跑外部实验
与旧E18同一研究家族；咨询任务仅作背景，不是软件维护或财报直接证据；正式发表不是首次公开
核查 2026-10-15 · 0条引用关系
边界时间轴
Program of Thoughts：外部计算接口（v4） →
本轮直接核对所列原文位置/版本；未复跑外部实验
同底层模型改变提示与执行流程；未匹配完整延迟/预算；不是端到端财务工作通过率
核查 2026-10-15 · 2条引用关系
边界时间轴
RLVR答案覆盖研究（v5） →
本轮直接核对所列原文位置/版本；未复跑外部实验
有限采样只测答案命中；特定模型/任务结果不等于所有推理机制；不与另一论文合并效应
核查 2026-10-15 · 1条引用关系
边界时间轴
RLVR推理过程核验研究（v2） →
本轮直接核对所列原文位置/版本；未复跑外部实验
推理过程由模型裁判判定，有any/all/majority规则；不是形式证明内核，图值未可靠转录则定性
核查 2026-10-15 · 1条引用关系
边界时间轴
SWE-Bench Pro V2协议修订 →
本轮直接阅读所列原文和固定版本；未复跑外部实验
发布方自述修订，本轮未独立复跑；V1/V2分母与协议不同
核查 2026-10-16 · 0条引用关系
边界时间轴
数学训练迁移的Qwen3-14B比较（v2） →
本轮直接阅读所列原文和固定版本；未复跑外部实验
训练问题相同不代表总算力相同；ACPBench并非真实工作交付
核查 2026-10-16 · 0条引用关系
边界时间轴
GDPval v2公开材料：虚构巡演损益表 →
本轮直接阅读所列原文和固定版本；未复跑外部实验
会计产物与F01相邻，非真实上市公司财报；许可未明确，不复制材料或rubric；本站未执行
核查 2026-10-16 · 0条引用关系
边界时间轴
AI参与修复PR的接收与未合并原因（v1） →
本轮直接阅读所列原文和固定版本；未复跑外部实验
样本非随机分配代理；65%分母含开放PR；未合并不全是技术失败
核查 2026-10-16 · 0条引用关系
边界时间轴
JobBench：专业证据推理与委派偏好 →
本轮实际阅读指定方法段落，未复跑
偏好用于选题；基准没有测量员工采用、满意度或净省时。
核查 2026-10-19 · 0条引用关系
边界时间轴
Harness²：用执行对照改进运行方法 →
本轮实际阅读指定方法段落，未复跑
作者研究，本站未复现；行为对照不能验证正确性，多次运行和编辑器成本需计入。
核查 2026-10-19 · 0条引用关系
领域案例
Canonical：Software Engineer, Sustaining Engineering →
2026-10-16可见的单一公司岗位样本
原始发布日期未知；Worldwide不保证所有国家雇佣资格，申请前核对；此岗位不证明总体需求或AI导致新增招聘。
核查 2026-10-16 · 3条引用关系
领域案例
Amazon：Senior Financial Analyst, NACF Planning，10559730 →
美国Bellevue的高级财务分析岗位样本
原始发布日期未知；岗位职责样本，不代表全球财务需求、当前录用概率或投资建议。
核查 2026-10-16 · 3条引用关系
领域案例
Allegiant：Optimization Engineer – Commercial →
美国现场工作的商业优化工程岗位样本
原始发布日期未知；数学任务只占岗位一部分，不能用数学题成绩推适配。
核查 2026-10-16 · 3条引用关系
领域案例
AI参与的修复PR为什么未合并？ →
AIDEV-POP中8106个修复PR及326个关闭未合并样本
观察研究，项目/代理分配不随机；合并不等于同质量节省人时，未合并不全是技术失败。
核查 2026-10-16 · 2条引用关系
领域案例
SWE-Bench Pro V2版本修订 →
发布方对公开split及隔离评测协议的修订说明
官方声明，本轮未复跑审计；V1和V2任务与协议不同，不能直接连成绩计算进步。
核查 2026-10-16 · 2条引用关系
领域案例
数学推理训练能迁移到其他任务吗？ →
Qwen3-14B及数学训练方案比较；v2修订2025-10-20
相同问题数据不等于相同总算力；不是实际建模交付实验。
核查 2026-10-16 · 3条引用关系
领域案例
GDPval公开任务：虚构巡演损益表 →
固定revision 11e7900cdcac61bc4daf59e65feb238acda98fbf；会计任务产物参考；该revision发布于2026-02-10，单项任务首次公开日未知
本轮核对题目、rubric和工作簿表头，未执行任务；未找到明确许可，只链接与摘要，不复制文件或rubric。
核查 2026-10-16 · 2条引用关系
领域案例
FrontierFinance论文与金融研究评价 →
220道查询与来源化验收项的金融研究评测
条款满足率不是完整交付率，模型裁判有误差，未测本团队成本。
核查 2026-10-16 · 1条引用关系
领域案例
FrontierFinance运营方榜单：9月28日快照 →
发布方榜单的指定系统、工具预算与费用口径
动态页面，本次读取仍标9/28；不同系统/日期不能直接相减为模型进步。
核查 2026-10-16 · 1条引用关系
领域案例
Navier–Stokes形式翻译的技术质疑（v1） →
对指定自然语言与Lean材料的语义对应质疑
作者不裁决自然语言证明是否正确；未复核整个数学争议或后续所有修订。
核查 2026-10-16 · 2条引用关系
领域案例
JobBench：专业证据推理与委派偏好 →
选题与链式评分方法
偏好用于选题；基准没有测量员工采用、满意度或净省时。
核查 2026-10-19 · 1条引用关系
领域案例
Harness²：用执行对照改进运行方法 →
冻结执行模型下的候选运行系统、行为对照与经验复用
作者研究，本站未复现；行为对照不能验证正确性，多次运行和编辑器成本需计入。
核查 2026-10-19 · 1条引用关系
岗位深度研究
PMEVAL →
336任务/14类别；官方页面尚无模型成绩
可借任务和rubric，不能提供完成率；专家评分一致性未验证
核查 2026-10-22 · 60条引用关系
岗位深度研究
SPIDER2 →
632个工作流问题；o1-preview框架21.3%
不是2026当前能力；复杂企业SQL不等于本地冻结口径查询；版本子集勿混用
核查 2026-10-22 · 23条引用关系
岗位深度研究
QMSUM →
232会议/1808查询摘要对
用于定位与摘要，不验证实时主持、承诺或中文访谈
核查 2026-10-22 · 32条引用关系
岗位深度研究
WORKARENA →
ServiceNow上33类任务
企业操作参考，不代表内部组织协调
核查 2026-10-22 · 26条引用关系
岗位深度研究
TAU →
原论文函数调用Agent总体成功不足50%；零售pass^8不足25%
模拟用户；历史模型，不作当前上限；pass^k为连续可靠性非至少一次成功
核查 2026-10-22 · 29条引用关系
岗位深度研究
GDPVAL →
44职业的真实工作交付评价
工件偏好/质量不是完整岗位替代或时间节省
核查 2026-10-22 · 47条引用关系
岗位深度研究
MSFT →
6000人/6个月；邮件ITT减少1.4小时每周；使用者减少3小时；会议时间无显著变化
知识工作者不是PM专样；ITT与使用者估计不可混淆；不等于岗位净节时
核查 2026-10-22 · 19条引用关系
岗位深度研究
METR25 →
16开发者/246问题；早期2025工具完成时间增加19%
特定开发任务历史结果，不外推PM或当前模型
核查 2026-10-22 · 0条引用关系
岗位深度研究
METR26 →
作者认为后续选择偏差与并行计时使当前生产率信号不可靠
用于设计拒绝参与、任务选择与多Agent计时记录，不提取统一节时率
核查 2026-10-22 · 0条引用关系
岗位深度研究
ECON →
基于2025年11月对话，描述自主性与任务成功等经济原语
使用者自选、模型判定；缺少未使用AI的完整任务分母及独立人工计时
核查 2026-10-22 · 0条引用关系
岗位深度研究
SAMPLING →
重复采样在可自动验证任务上提高覆盖
支持生成-验证-重试机制，不提供PM工作比例
核查 2026-10-22 · 0条引用关系
岗位深度研究
Cucumber Example Mapping →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
dbt Semantic Layer 官方文档 →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
Create a Figma Make file →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
Langfuse Compare Experiments →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
Langfuse Datasets →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
Langfuse Evaluation Overview →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
LaunchDarkly：Metrics →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
LaunchDarkly：Releasing →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
OpenAI Agents SDK JS：Tracing →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
OpenAI Agents SDK Python：Human in the loop →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
Atlassian Team Playbook：DACI 决策框架 →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
GOV.UK 主持式可用性测试指南 →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
Five Types of Assumptions →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
Opportunity Solution Trees 操作指南 →
用于组织输入、步骤与验收候选
不证明本地质量、效果、采用率或人时
核查 2026-10-23 · 1条引用关系
岗位深度研究
SWE-bench官方FAQ →
500个Verified问题及补丁执行检查；提供软件缺陷修复参考类。
只覆盖所定义问题；不能代表前后端完整交付，也不能把Resolved当作岗位时间份额。
核查 2026-10-22 · 24条引用关系
岗位深度研究
SWE-bench Verified评测局限 →
2026-02-23分析提出污染及测试拒绝正确解等问题。
审计的是特定子样本，不能推成所有基准失效；本报告不据此调整一个固定折扣。
核查 2026-10-22 · 28条引用关系
岗位深度研究
SWE-Lancer →
2025 v4：1400余个真实自由职业任务，包含实现与方案选择，工程任务采用端到端测试。
历史模型结果不作为2026排名；真实付款金额不是本地人工时间或SaaS价格。
核查 2026-10-22 · 31条引用关系
岗位深度研究
FeatureBench →
v1含200任务、3,825环境、24个Python开源仓库；Claude Opus 4.5全集resolved 11.0%，Codex+GPT-5.1-Codex medium为12.5%；逐题passed与resolved不同。
复杂多文件特征任务；不得将resolved率与SWE-bench榜单分数或本地成功率直接比较，论文模型/工具/预算限定。
核查 2026-10-22 · 40条引用关系
岗位深度研究
Design2Code →
v3使用484个真实网页的截图到代码任务，并有人类评价。
视觉相似不保证动态状态、可访问性、业务正确性或安全。
核查 2026-10-22 · 13条引用关系
岗位深度研究
Interaction2Code →
2026 v3覆盖127网页、374个交互；强调静态页面评价遗漏真实交互。
不是生产全栈交付实验，也不直接给出人工检查分钟。
核查 2026-10-22 · 20条引用关系
岗位深度研究
ProgramBench →
没有模型设置完全解出任务；Claude Opus 4.7仅3%任务通过至少95%测试。论文页眉v1为2026-05-05，正文脚注另列2026-08-24，日期口径保留。
这是黑盒行为重建，不是自然语言新需求到完整B2B产品开发；测试近似目标行为，不代表维护性、完整需求或生产质量。
核查 2026-10-22 · 25条引用关系
岗位深度研究
Terminal-Bench 4.0 →
4.0校准资源、修复任务、移除饱和项，并将Agent超时设为8小时。
基础设施与时间预算影响成绩；不把2.0、3.0与4.0分数混排。
核查 2026-10-22 · 19条引用关系
岗位深度研究
METR早期2025开发者实验 →
16名熟悉仓库的开发者、246问题；允许早期2025工具时完成任务增加19%时间。
特定历史样本，不代表当前所有全栈开发；说明能力基准与真实净时间需要分开。
核查 2026-10-22 · 4条引用关系
岗位深度研究
METR实验设计更新 →
作者指出参与和任务选择、多Agent并行计时让后续生产率信号不可靠。
不采用不可靠数据给当前效率打统一折扣；本地仍需记录漏记与自选。
核查 2026-10-22 · 8条引用关系
岗位深度研究
Supabase行级安全文档 →
托管Postgres可配置行级安全策略；项目仍需正确的授权与策略测试。
托管服务不会自动理解租户边界；本报告未开通或测试该产品。
核查 2026-10-22 · 28条引用关系
岗位深度研究
Stripe webhook文档 →
webhook不保证事件顺序；集成应考虑重复事件、重试与最终状态。
支付只是第三方事件集成的例子；不把供应商可靠性当作业务集成正确性。
核查 2026-10-22 · 16条引用关系
岗位深度研究
Playwright断言文档 →
支持自动重试断言、界面与截图检查，可作为前端回归工具。
测试通过仅覆盖所写断言；不证明用户价值或完全无障碍。
核查 2026-10-22 · 19条引用关系
岗位深度研究
GitHub Copilot受控编程任务实验 →
对完成任务者条件化后，论文报告处理组71.17分钟、对照组160.89分钟，任务完成时间减少55.8%（95% CI 21%至89%）。原文35名完成者句未单列时间分析的有效分组n；同研究作者的GitHub总结另报告完成率78%/70%，见COPILOT22BLOG，不能将两者当独立复现或据四舍五入比例倒推精确人数。
正文称35名开发者来自处理组和对照组完成任务及问卷，但未单列两组时间分析有效n，不能把该句当精确时长分母；作者总结的78%/70%是四舍五入完成率，不用于反推人数。结果条件于任务完成；单一短时JavaScript HTTP服务器任务，不测长期维护或复杂仓库。
核查 2026-10-23 · 4条引用关系
岗位深度研究
三家公司生成式AI开发者现场实验 →
合并分析报告已完成任务数增加26.08%，标准误10.3%；单项研究有噪声，效应随研究/人群变化。
指标是任务产出/完成量，不是个人主动时间缩短、质量等价或商业价值；早期编码补全助手和公司样本不等于Agent或本项目。
核查 2026-10-23 · 4条引用关系
岗位深度研究
Microsoft早期CLI编码Agent推广研究 →
作者报告采用者相较反事实每天合并PR约多24%，效应在四个月观察窗持续；merged PR明确作为输出代理。
单一公司、采用选择和合成对照假设限制因果外推；PR数量不等于PR价值、质量、净人时或业务产出；作者为Microsoft研究人员并披露利益关联。
核查 2026-10-23 · 4条引用关系
岗位深度研究
Supabase MCP Server官方文档 →
MCP客户端可连接项目并查询/操作数据库、调试、函数与分支等工具组；文档支持按项目限定、只读选项和功能组启停，并明确连接LLM有安全风险。
功能说明不证明Agent操作准确、节时或生产适用；授权范围、客户端工具实现和当前文档版本需复核。
Supabase托管Postgres/Auth/API/Storage组合 →Supabase官方MCP提供文档、数据库、日志/调试、开发、Functions和branch工具组，可设置项目范围、只读与feature group。 →
核查 2026-10-23 · 2条引用关系
岗位深度研究
Supabase行级安全与数据库安全文档 →
Postgres RLS需针对表启用并配置策略；服务端secret/service_role凭据绕过RLS，不能暴露给浏览器；应用仍需配置表权限并验证允许/拒绝路径。
平台提供机制而非自动正确的租户授权；具体表/grant/policy、视图、函数和密钥路径必须按项目审查。
核查 2026-10-23 · 4条引用关系
岗位深度研究
Supabase数据库分支官方文档 →
PR可建立独立预览环境；默认不复制生产数据或Storage对象；分支有独立API凭证，并复制指定项目设置与Edge Functions。
该页不说明分支资源规模或费用；若选择显式包含生产数据，仍需按生产数据保护；dashboard branch功能阶段/套餐需重核。
Supabase托管Postgres/Auth/API/Storage组合 →Supabase branching为PR提供独立预览环境，默认不复制生产数据或Storage对象；每个preview branch按实际Compute、Disk Size、Egress和Storage用量计费，用量计入订阅计划配额且不受Spend Cap覆盖。 →
核查 2026-10-23 · 2条引用关系
岗位深度研究
Supabase数据库备份与恢复文档 →
官方说明数据库备份可按计划/套餐保留；恢复时项目不可访问，停机时长取决于数据库规模，PITR/日备份选项与收费因套餐而异。
该页只描述数据库恢复，不说明对象、应用配置或其他服务的完整跨平台迁移；目标项目的RTO/RPO和费用未知。
核查 2026-10-23 · 3条引用关系
岗位深度研究
Supabase自托管官方文档 →
自托管要求运营服务器、数据库、网络、安全更新、备份/灾备、监控/可用性等；托管版部分功能不一定自托管可用。
责任清单不估计人员配置或TCO，也不证明自托管等价于托管服务。
核查 2026-10-23 · 2条引用关系
岗位深度研究
Cloudflare Docs for Agents →
Cloudflare提供供Agent发现和使用的文档、Skills及MCP/API工具，可覆盖查日志、调用API和部署等操作能力。
工具可调用不代表Agent正确、授权安全、部署可回滚或节省工时；文档和可用工具按账户/版本核验。
Cloudflare Workers边缘API + Queues，按负载选D1或Hyperdrive →Cloudflare提供Agent-friendly文档、Skills、MCP和Wrangler/CLI，可帮助查文档、查询日志、调用API和部署Workers；动作仍受账号权限。 →
核查 2026-10-23 · 2条引用关系
岗位深度研究
Cloudflare Queues投递保证 →
默认至少一次投递；重复消息可能发生且消息顺序不保证，消费者需要幂等处理并设计重试/失败路径。
产品投递语义不替代业务顺序、去重和一致性设计；可用选项按队列配置/版本核实。
核查 2026-10-23 · 2条引用关系
岗位深度研究
Cloudflare D1平台限制 →
付费D1单库最大10GB，免费单库500MB；单数据库查询串行且单线程，吞吐取决于查询时间。
额度和限制会随套餐/版本变化；容量上限不等于适用性，必须按真实数据、并发、SQLite语义和访问形态验证。
Cloudflare Workers边缘API + Queues，按负载选D1或Hyperdrive →Cloudflare D1单库容量为付费10GB/免费500MB，单库串行处理查询，吞吐与查询时长有关。 →
核查 2026-10-23 · 2条引用关系
岗位深度研究
Cloudflare Hyperdrive数据库兼容限制 →
Hyperdrive支持接入Supabase Postgres等数据库并提供连接池；PREPARE、advisory locks、LISTEN/NOTIFY和会话级状态等语义存在限制。
兼容表不是端到端性能或全量协议保证；事务/会话使用方式、驱动和数据库版本需单独验证。
核查 2026-10-23 · 3条引用关系
岗位深度研究
Lovable GitHub集成文档 →
支持双向GitHub同步并可通过PR及本地工作流继续开发/在平台外部署；同步的是源代码。
代码同步不自动迁移或等价替换后端数据、认证、密钥、存储或托管运行服务。
核查 2026-10-23 · 2条引用关系
岗位深度研究
Lovable Supabase集成与后端限制 →
可用自然语言生成应用并连接自有Supabase；Lovable内置Backend与自有Supabase不可一步自动切换，需分别处理目标后端数据/配置。
官方说明的是产品能力/切换边界，不给生产质量、节时、完全可移植性或固定迁移工时证据。
核查 2026-10-23 · 3条引用关系
岗位深度研究
Supabase Data REST API文档 →
PostgREST从Postgres schema生成REST API，提供CRUD、关系查询及数据库函数访问，并可用于浏览器两层或自有API服务器三层架构。
自动API需按grant/RLS/密钥安全配置；不替代业务规则、复杂工作流或现有API契约；文档不提供本项目效果数据。
Supabase托管Postgres/Auth/API/Storage组合 →Supabase官方文档说明可提供由Postgres schema生成的REST CRUD/关系API、Auth用户身份管理及Storage文件对象服务与访问接口；在适配时可替代部分手写数据端点、认证基础设施和对象存储运行。 →
核查 2026-10-23 · 2条引用关系
岗位深度研究
Supabase Auth官方文档 →
Supabase Auth提供用户身份管理、客户端SDK与API endpoints，支持密码、OTP、社交登录和SSO等认证方式。
支持的认证流程不自动决定本地产品授权、租户隔离、账号迁移、合规配置或支持成本。
Supabase托管Postgres/Auth/API/Storage组合 →Supabase官方文档说明可提供由Postgres schema生成的REST CRUD/关系API、Auth用户身份管理及Storage文件对象服务与访问接口；在适配时可替代部分手写数据端点、认证基础设施和对象存储运行。 →
核查 2026-10-23 · 2条引用关系
岗位深度研究
Supabase Storage官方文档 →
Storage提供文件对象管理、REST/S3兼容接口、CDN/转换及基于RLS的细粒度访问控制。
对象存储不等于本地业务元数据、保留/备份、合规或授权逻辑；数据库备份不包括Storage对象。
Supabase托管Postgres/Auth/API/Storage组合 →Supabase官方文档说明可提供由Postgres schema生成的REST CRUD/关系API、Auth用户身份管理及Storage文件对象服务与访问接口；在适配时可替代部分手写数据端点、认证基础设施和对象存储运行。 →
核查 2026-10-23 · 2条引用关系
岗位深度研究
Zod TypeScript schema validation文档 →
Zod提供TypeScript优先的schema定义与运行时数据验证，并可推导静态类型。
功能文档不证明适合既有运行时/版本或减少净开发时间；需评估bundle、schema所有权和依赖升级。
现有框架内强化成熟库与确定性验证 →Zod提供运行时schema验证与TypeScript类型推导，Drizzle提供TypeScript schema/类型化查询/迁移工具，Radix提供可组合的无样式UI原语；它们可替代对应窄层的重复自建基础实现。 →
核查 2026-10-23 · 3条引用关系
岗位深度研究
Drizzle ORM官方概述 →
Drizzle允许在TypeScript中定义和管理数据库schema，执行类型化SQL-like/关系查询并提供迁移工具。
供应商功能声明不证明相对现有ORM/SQL的净收益；目标数据库、迁移历史和团队熟悉度决定适配成本。
现有框架内强化成熟库与确定性验证 →Zod提供运行时schema验证与TypeScript类型推导，Drizzle提供TypeScript schema/类型化查询/迁移工具，Radix提供可组合的无样式UI原语；它们可替代对应窄层的重复自建基础实现。 →
核查 2026-10-23 · 3条引用关系
岗位深度研究
Radix UI Primitives官方介绍 →
Radix提供可组合、无样式的UI原语，帮助构建自定义组件/设计系统，并提供键盘操作和可访问性相关处理机制。
原语不是完整产品设计或业务界面；仍需样式、组合、内容、响应式、完整可访问性验证和维护。
现有框架内强化成熟库与确定性验证 →Zod提供运行时schema验证与TypeScript类型推导，Drizzle提供TypeScript schema/类型化查询/迁移工具，Radix提供可组合的无样式UI原语；它们可替代对应窄层的重复自建基础实现。 →
核查 2026-10-23 · 3条引用关系
岗位深度研究
Supabase平台项目恢复到自托管指南 →
数据库dump包含schema、data、roles、RLS policies、数据库functions/triggers和auth.users；指南要求另行设置JWT/API keys、Auth provider、Edge Functions、Storage objects、SMTP及自定义域名/DNS，并提示平台与自托管版本可能不兼容。
指南明确不涵盖Storage对象传输或Edge Functions重新部署；其步骤针对迁至自托管Docker，不代表迁至任意供应商的完整方案或固定迁移工时。
核查 2026-10-23 · 4条引用关系
岗位深度研究
Supabase Preview Branch用量计费文档 →
每个Preview branch是独立Supabase服务环境；按环境实际Compute、Disk Size、Egress和Storage用量计费。用量计入订阅计划配额，且不受Spend Cap覆盖；页面称无固定分支费用，活跃/持久分支的存续会持续影响用量。
该来源定义计费机制，不估算具体项目费用、使用负载或总TCO；不同套餐、服务配置和分支存续时间影响实际用量。
Supabase托管Postgres/Auth/API/Storage组合 →Supabase branching为PR提供独立预览环境，默认不复制生产数据或Storage对象；每个preview branch按实际Compute、Disk Size、Egress和Storage用量计费，用量计入订阅计划配额且不受Spend Cap覆盖。 →
核查 2026-10-23 · 2条引用关系
岗位深度研究
GitHub作者对Copilot开发者生产率实验的官方总结 →
作者总结报告完成率78%（Copilot）/70%（对照），平均完成时间约71/161分钟，快55%；p=.0017、95% CI 21%–89%。这是与COPILOT22 arXiv论文相同实验的作者总结，百分比和时间取整，仅用于交叉核对，不是独立复现。
该总结未单列时间比较的有效分组n；完成率为取整报告，本报告不以该比例或论文关于35人完成任务及问卷的表述推导时长分析分母；作者/供应商总结不提供独立复现证据。
核查 2026-10-23 · 3条引用关系