研究人员推出了FDE-Bench,这是一个旨在评估AI代理处理通常不明确的真实世界业务请求的能力的新基准。与从明确目标开始的现有基准不同,FDE-Bench侧重于需要交互式澄清和迭代优化的任务,模仿了前线部署工程师的过程。该基准包含49个跨优化和机器学习的案例,结果显示,即使使用18种不同的代理配置,达到的最高平均交付得分也仅为0.5510,远低于人类参考得分1.0,这表明代理在处理此类复杂任务的端到端交付方面仍然存在困难。 AI
影响 凸显了当前AI代理能力与现实世界业务问题解决的细微要求之间的差距。
排序理由 该集群描述了在arXiv上发表的一篇新基准论文。
- alphaXiv
- arXiv
- CatalyzeX
- Connected Papers
- DagsHub
- FDE-Bench
- Gotit.pub
- Hugging Face
- Litmaps
- ScienceCast
- CORE Recommender
- Forward-Deployed Engineers
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →