AITOPAI热报

Recovery

general · 首次出现 2026-05-22 · 最近出现 2026-10-28 · 累计提及 210

综述

Recovery(恢复能力)是衡量智能体在执行任务出错后能否自行修正并继续推进的指标,目前主要以 LMArena 的 Agent Arena 排行榜为代表——该榜单最初以 Bash Recovery(命令行恢复)单独计分,近期已将其升级为覆盖面更广的 Bash Reliability(可靠性)指标。它的核心含义是:不只看模型会不会做任务,更看它犯错之后能不能自己爬起来。

Recovery 指标的演进:从单项到综合可靠性

  • Agent Arena 榜单将 Bash Recovery 指标升级为 Bash Reliability:榜单方将原本独立的 Bash Recovery 维度并入更综合的 Bash Reliability 指标,意味着评测思路从"恢复"单点能力转向端到端的执行稳定性。
  • Agent Arena 更新 Bash Reliability 指标，Claude Opus 5.5 居首:指标更新后,Claude Opus 5.5 在该项排名第一,显示头部实验室模型在出错恢复与整体执行可靠性上仍有优势。

    • 与整体榜单排名的关系

  • Agent Arena 排行榜更新：Claude Opus 5.5 居首，GLM 5.2 领跑开源模型:综合榜中 Claude Opus 5.5 居首,GLM 5.2 是开源模型中表现最好的,可靠性类指标正在成为区分第一梯队的重要维度。
  • Agent Arena 数据：头部实验室智能体的任务成功率趋同，用户体验差距拉开:榜单方观察到头部模型的任务成功率已趋于接近,真正的差距更多体现在恢复能力、稳定性等体验层面,这与 Recovery 被升级为 Reliability 的方向一致。

    • 当前焦点与观察点

    Grok 4.7 以第16名登上 Agent Arena,但单任务成本升至 $1.14,说明恢复与可靠性表现需要和成本一起权衡。Qwen3.8-Flash-Next 排名第24位、Meta 发布 Muse Spark 1.2 (xHigh),中腰部与开源模型的竞争同样在向可靠性维度收敛。对用户而言,观察一个智能体是否好用,Recovery/Reliability 类指标可能比单纯的成功率更有参考价值;后续值得关注的点是:不同厂商模型在出错自愈上的差距是否会随成功率趋同而进一步放大,以及 Bash Reliability 之外的恢复能力(如浏览器、长程任务)何时也会被纳入评测。

    相关报道

    10 条在档