研究人员推出了 LongWoF-Bench，这是一个旨在评估大型语言模型可验证执行经验重用的基准。这种称为 EvoMap 的方法将成功的任务轨迹整合为结构化的“基因”，后续模型可以共享和应用。实验表明，EvoMap 基因在七种不同的模型上显著优于传统的“技能”，将长工作流的完成率提高了 8.7 至 15.5 个百分点。对于 Claude Opus，该方法在完成更多任务的同时，还将 token 消耗量减少了近 10%。 AI
影响 这项研究可能通过使模型能够在没有冗余计算的情况下从过去的成功中学习，从而实现更高效的 LLM 工作流。
排序理由 该集群描述了一个用于评估 LLM 的新基准和方法，该方法发表在 arXiv 论文中。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2608.23200v1 Announce Type: new Abstract: Large language models are increasingly expected to execute complex workflows whose success depends on maintaining interdependent constraints and producing artifacts that satisfy strict end-to-end verification. Yet successful executi…
Large language models are increasingly expected to execute complex workflows whose success depends on maintaining interdependent constraints and producing artifacts that satisfy strict end-to-end verification. Yet successful execution experience is typically lost after a single r…
EvoMap externalizes verified execution experience into reusable structured Gene, improving long-workflow task completion and reducing token costs across diverse models.