实体 SpeedrunBench

SpeedrunBench

PulseAugur coverage of SpeedrunBench — every cluster mentioning SpeedrunBench across labs, papers, and developer communities, ranked by signal.

总计 · 30天

1

90 天内 1

发布 · 30天

0

90 天内 0

论文 · 30天

1

90 天内 1

层级分布 · 90 天

主题

情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条

TOOL · CL_284316 · Oct 7 · 04:00

新的SpeedrunBench用视频游戏速通挑战大型语言模型代理

研究人员推出了SpeedrunBench，这是一个旨在评估大型语言模型代理策略形成能力的新基准。该基准使用九款不同游戏的视频游戏速通，挑战代理改进其策略并超越之前的尝试。虽然目前的前沿代理在更简单的游戏中显示出潜力，但在实际计算预算内，它们在更复杂、持续时间更长的游戏中仍落后于人类表现。