研究人员推出UTP-Bench，这是一个新的基准，旨在评估大型语言模型在不确定条件下生成旅行行程的鲁棒性。与假设确定性环境的先前基准不同，UTP-Bench整合了来自印度的真实旅行数据，包括经验性延迟分布和人群模式。它提出了三个新指标——缓冲充分性得分、人群感知计时得分和交通延迟吸收得分——来量化生成计划在处理交通延迟和人群可变性方面的表现。使用GPT-5、Qwen3、Mistral和Phi-4等模型的实验揭示了AI生成计划与人类编写计划在时间缓冲和延迟感知调度方面存在显著差距。 AI
影响 该基准突显了LLM在规划任务中处理现实世界不确定性的必要性，可能推动开发更鲁棒、更适应性强的人工智能系统。
排序理由 该集群描述了一个新的学术基准和数据集，用于评估LLM在特定领域（不确定性下的旅行规划）的能力。
在 Hugging Face Daily Papers 阅读 →
- Buffer Adequacy Score
- Crowd-Aware Timing Score
- GPT-5
- India
- large-language models
- Mistral AI
- Phi-4
- Qwen3
- Transport Delay Absorption Score
- TravelPlanner
- TRIPCRAFT
- UTP-Bench
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
