English(EN) Evolving Self-tuning Benchmarks for Long-Horizon Tool Use

新的TURTLE基准演进AI工具使用任务以实现更好的可扩展性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-21 04:00

研究人员开发了TURTLE，一种无监督环境设计方法，用于为AI助手的长时域工具使用创建自适应基准。该方法使用一个提议者、一个求解器和一个反馈生成器LLM代理来演进任务，使其更具可扩展性，并能适应Gmail、Venmo和Slack等各种应用程序交互。使用Gemma 4 31B-it在AppWorld和tau-Bench等基准上的实证结果表明，与现有基准相比，TURTLE有效地增加了任务难度和多样性，揭示了更广泛的故障模式。 AI

影响通过为复杂的多步任务提供更强大、更具可扩展性的评估来增强AI助手的功能。

排序理由关于AI工具使用的新方法和基准的详细研究论文。[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 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 关于AI工具使用的新方法和基准的详细研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, product; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 2 days old; Coverage has settled into its steady-state source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Hyunji Alex Nam, Michael Dennis, Natasha Jaques, Minsuk Chang · 2026-10-21 04:00

面向长时域工具使用的演进式自调优基准

arXiv:2610.27307v1 Announce Type: new Abstract: For AI assistants to move beyond simple chat interfaces and reliably assist users with applications like Gmail, Venmo, and Slack, we need to improve their tool-use capabilities. However, existing tool use benchmarks are still limite…

本文如何被排名

报道来源 [1]

面向长时域工具使用的演进式自调优基准

相关实体

相关话题