PulseAugur
中
实时 09:43:07
English(EN) PlanBench-XL: Evaluating Long-Horizon Planning of LLM Tool-Use Agents in Large-Scale Tool Ecosystems

新基准 PlanBench-XL 揭示 LLM 代理规划失败

作者 PulseAugur 编辑部 · [1 个来源] ·

名为 PlanBench-XL 的新基准已被开发出来，用于评估 LLM 代理在大型工具生态系统中的长期规划能力。该基准包含 327 个零售任务和 1,600 多个工具，测试代理发现相关工具和适应动态环境的能力。实验表明，即使是 GPT-5.4 等先进模型在这些复杂场景中也难以规划，尤其是在工具失败或不可用时，这凸显了对更鲁棒的自适应规划的需求。 AI

影响 突出了 LLM 代理在复杂现实世界任务规划方面面临的重大挑战，表明需要提高鲁棒性和适应性。

排序理由 该集群描述了一篇介绍 LLM 代理评估基准的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新基准 PlanBench-XL 揭示 LLM 代理规划失败

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Dilek Hakkani-Tür ·

    PlanBench-XL：评估大型工具生态系统中LLM工具使用代理的远期规划能力

    LLM agents increasingly operate in large tool ecosystems, where real-world tasks require discovering relevant tools, inferring implicit sub-goals, and adapting to dynamic environments over long horizons. However, existing benchmarks rarely evaluate planning under retrieval-limite…

相关实体

相关话题