一个名为SCI-AGENT-EXAM的新基准已被开发出来,用于系统地评估大型语言模型(LLM)代理在科学研究工作流中的能力。该基准包含11个科学领域的120个任务和7种研究任务类型,需要可执行代码和文本输出。使用10个前沿LLM代理进行的实验表明,GPT-6 Astra取得了最高分80.9%,但只有26%的运行达到了0.95的成功阈值,这凸显了执行效率方面显著的性能差距和差异。 AI
影响 该基准将能够更严格地评估LLM代理执行复杂科学任务的能力,有可能加速开发更强大的AI研究助手。
排序理由 该集群描述了一篇介绍LLM代理基准的新学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →