在智能体性能评估领域，如何有效地测试其在真实场景中的表现一直是一个亟待解决的问题。尽管市场上已经有多个评估基准试图解决这一问题，但 Meta 的研究人员认为，当前的方法仍然不足以真实地反映智能体的适应能力。因此，Meta 推出了一个新的评估平台——AgentsResearchEnvironment（ARE） 和一个全新的基准模型 Gaia2，以帮助评估智能体在实际应用中的表现。
ARE 的设计初衷是创建一个与现实世界相似的环境，使得智能体能够在其中进行交互。该环境中的任务是异步进行的，时间也在不断推移，智能体必须在这种动态约束下调整和执行其任务。ARE 的核心要素包括状态保持的 API 接口应用、环境集、事件、通知和场景等，用户可以根据自己的需求自定义测试场景。
Gaia2 作为 ARE 的重要组成部分，侧重于测评智能体在复杂环境中的能力。与之前的 Gaia1 基准不同，Gaia2 不再仅仅关注智能体找到答案的能力，而是评估它们在面对不断变化的条件、截止日期、API 故障以及模糊指令时的表现。此外，Gaia2 还支持多种协议，如 Agent2Agent，以评估智能体之间的协作能力。
Gaia2 的评估过程是异步的，即使智能体处于闲置状态，时间依然在流逝，这使得它能够测量智能体在接收到新事件时的响应能力。通过在移动环境中进行的 1120 个任务测试，当前的评估显示，OpenAI 的 GPT-5 在 Gaia2 基准上表现出色，位居领先。
除了 Meta 的 Gaia2，市场上还有其他一些尝试提供真实环境测试的评估平台，比如 HuggingFace 的 Yourbench、Salesforce 的 MCPEval 和 InclusionAI 的 InclusionArena。这些平台各有侧重，但 Gaia2 特别关注智能体的适应能力和处理突发事件的能力，为企业提供了另一种评估智能体表现的有效方式。
官方博客：https://ai.meta.com/research/publications/are-scaling-up-agent-environments-and-evaluations/
划重点:
🌟Meta 推出了新的 AgentsResearchEnvironment（ARE） 和 Gaia2 基准，以提高智能体在真实世界中的适应能力。
📊Gaia2 着重评估智能体在面对变化条件和不确定性的情况下的表现，与之前的基准相比更具实用性。
🤖Gaia2 的评估方法异步进行，并测试智能体在收到新事件时的反应能力，当前 OpenAI 的 GPT-5 在测试中表现优异。
