一个名为Bank-World的新基准已被开发出来,用于评估AI代理在复杂银行工作流中的表现。该基准包含两个模拟机构的50个任务,测试代理在记录核对、交易执行和保持一致指令方面的能力。对四种模型的初步测试显示,虽然代理通常能做出正确的决定,但它们在一致执行和多轮交互方面存在困难,其中Sol、Opus和Grok表现出不同的优势和劣势。 AI
影响 突出了AI代理在复杂、多步骤任务方面的关键能力差距,表明需要改进推理和执行一致性。
排序理由 该集群包含一篇介绍AI代理评估新基准的研究论文。[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 →