北大伯克利联手“拷问”大模型：最强Agent也才40分！

北大邓小铁课题组投稿量子位 | 公众号 QbitAI 给大模型当老师，让它一步步按你的想法做数据分析，有多难？结果是，连 Claude-3.7 和 Gemini-2.5 Pro 这样的顶尖选手，都开始“不听话”了。在一个全新的测试基准中，它们面对多轮、不断演进的指令，最终的任务成功率最高仅有