Pev: A Calibrated Fast-Decision Model for Personal Agents
Pev-27B 与 Pev-Bench 研究个人智能体如何依据用户偏好和授权，做出经过概率校准的决策。
01 / 重点研究
02 / 更多研究
为递归自我改进打好基础。
这些研究探索如何构建任务环境，以及如何从失败中生成更好的训练数据。每篇论文都会说明已完成的实验和仍待解决的问题。
Recursive-Play: AI-Generated Interactive Challenges for Improving AI Agents
Recursive-Play 提供 150 个交互式谜题，配备构造性解答和独立状态验证器，为后续智能体改进实验提供挑战。
CUA-RSIBench: Executable Data Research for Verifiable Computer Use
CUA-RSIBench 通过受控试验，研究如何利用浏览器智能体的失败构建训练数据，并采用真实应用状态与独立的最终评估。
cu-bench: Professional Desktop Work from Screenshots, Mouse and Keyboard
cu-bench 测试智能体能否仅凭截图、鼠标和键盘，在 20 款 Linux 桌面应用中完成专业工作，并提供其实际操作的回放。
03 / 排行榜
查看基准结果。
每个排行榜按各自的主要指标排序，不同基准之间的分数不能直接比较。
Pev-Bench
智能体能否判断这位具体用户的意愿？根据一位用户的历史、长期规则、联系人、日历和遗忘请求，模型回答七类决策问题：用户会选哪个选项、通知应有多强、何时需要审批、哪些信息可以共享、哪些必须遗忘、应使用哪条记忆，以及请求应如何路由。
- 模型数
- 6
- 指标
- 类别宏平均准确率
- 领先模型
- Pev-27B
- 领先得分
- 0.915
Recursive-Play
仅凭像素画面与中性控制，智能体能否掌握从未见过的交互式谜题？150 个 AI 生成环境覆盖十类机制，每个环境包含六个连续关卡，并配备证明每关可达的构造性解答与确定性状态验证器。
- 模型数
- 11
- 指标
- 完整任务完成率
- 领先模型
- GPT-6 Astra
- 领先得分
- 90.0%
cu-bench
仅凭截图、鼠标和键盘，智能体能否在 Linux 桌面应用中完成真实的专业工作？任务覆盖 KiCad、FreeCAD、Blender 与 Bonsai、Godot、LibreCAD、QGIS、PrusaSlicer，以及另外 12 个应用，使用真实数据和以文档交付的任务规范，由文件状态验证器评分。每个任务包含纯 GUI 赛道和允许使用应用自身脚本的代码赛道。
- 模型数
- 2
- 指标
- 严格成功率
- 领先模型
- Claude Opus 5.5
- 领先得分
- 83.5%
发送固定版本的预测结果，或提供可运行的模型。每次提交都使用基准已发布的验证器评分。 提交模型
04 / 基准回放
看看智能体实际做了什么。
逐帧查看精选运行，再打开逐任务结果矩阵检查每一项结果。
在研究之上继续探索
有值得一起探索的问题？
欢迎联系我们讨论研究问题，申请数据访问，或交流合作想法。
research@envloop.ai