研究人员推出LongSearchEval,一个旨在评估大型语言模型(LLM)长视距网络搜索能力的新框架。该框架利用轨迹感知代理协议来收集和分析真实的交互轨迹,与现有方法相比,能够进行更准确的行为评估和细粒度的错误定位。LongSearchEval被用于在100个任务上评估八个家族的16个模型,产生了1,600个保留运行和超过6,500个自动标记的故障节点,人类验证证实了标签和特征对应性的一致性很高。 AI
影响 该框架可能带来更强大的LLM评估,推动代理式网络搜索能力的改进。
排序理由 该条目描述了一篇介绍LLM新评估框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXivLabs
- Bibliographic Explorer
- CatalyzeX Code Finder for Papers
- Connected Papers
- CORE Recommender
- DagsHub
- Gotit.pub
- Hugging Face
- Influence Flower
- large-language models
- Litmaps
- LLM based Agents
- LongSearchEval
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →