Kaggle 联合 Eigent_AI 发布 AgenticRL-Bench 基准,GPT-6.1 Sol 以 22.8% 居首
做 RL 训练工程的朋友应该看看这个:Kaggle 和 Eigent 把 verl、SGLang 这些栈里真实的调试事故做成了基准,智能体要真修好才算过。最扎眼的是 7/22 的任务会触发各家安全分类器,实验室松紧不同会直接扭曲榜单成绩。选型或做内部评测的团队可以参考这套任务设计。
做 RL 训练工程的朋友应该看看这个:Kaggle 和 Eigent 把 verl、SGLang 这些栈里真实的调试事故做成了基准,智能体要真修好才算过。最扎眼的是 7/22 的任务会触发各家安全分类器,实验室松紧不同会直接扭曲榜单成绩。选型或做内部评测的团队可以参考这套任务设计。