新增内容： ➤ FrontierCode 2.0：Cognition 新推出的私有基准测试，针对现实世界的编码任务，根据仓库维护者是否会合并代理的更改进行评分 ➤ Terminal-Bench-Science：70 个代理式科学研究任务，在终端环境中运行 升级内容： ➤ HLE-Diamond（取代 Humanity’s Last Exam）：人类最后考试的精炼版，包含 1000 个问题，推理题和知识题各占一半 ➤ AA-Omniscience v1.1：更新后的数据集，移除了饱和和公开集问题…