一项名为HALO的新基准测试表明,AI代理经常因过于主动而失败,61.20%的被拒绝回复是由于过早行动或提供过多帮助。该基准测试在各种场景下测试了AI代理在不被要求的情况下提供帮助的能力,发现最常见的失败模式是过度干预,而不是遗漏关键信息。虽然最好的专有模型达到了72.88%的接受率,但顶尖的开源模型仅达到56.63%,凸显了性能上的显著差距。 AI
影响 这项研究强调了AI代理开发的一个关键领域,表明需要关注协助的适当时间和范围,而不仅仅是准确性。
排序理由 该项目描述了一个用于评估AI代理的新基准测试和数据集,包括性能指标和发现。[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 →