研究人员推出了TraceTrial-Bench,一个旨在评估AI代理工具链可靠性的新基准。工具链对于支持LLM代理的运行至关重要。该基准将工具链的可靠性组织成七个组成部分,并包含95个具有可执行地面真相的专家级任务。一个两层评估框架评估代理性能和工具链可靠性,其中故障归因模块在运行级别精确定位问题。对多个工具链和模型的初步评估显示,工具链得分存在显著差异,并强调了许多成功的任务完成是在工具链标准失败的情况下发生的。 AI
影响 提供了一种标准化方法来评估和改进AI代理系统的可靠性。
排序理由 该项目是一篇学术论文,介绍了一个用于评估AI代理工具链的新基准。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- DagsHub
- Failure Attribution
- Gotit.pub
- Hugging Face
- LLM agents
- Multi-source Evidence Acquisition
- ScienceCast
- TraceTrial-Bench
- Trajectory Tracing
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →