ArXiv新基准测试比较Claude、Gemini与OpenAI深度研究Agent真实推理能力

最新ArXiv论文通过42个带“认知陷阱”的复杂任务，对Claude Opus、OpenAI o3 deep research与Gemini Pro深度研究Agent进行评分，强调真实场景下的验证能力与推理稳定性。