10:47
官方一手arXiv: DeepSeek@Sagar Deb, Ashwanth Krishnan
精选
推荐理由：这篇论文用STOCKTAKE基准把LLM智能体的‘没看懂’和‘看懂了却没行动’分开了，四个主流模型的表现差距比想象中大。
STOCKTAKE
共 1 条相关 AI 资讯
7月16日
10:47
STOCKTAKE是一个26周供应链补货基准，基于部分可观测马尔可夫决策过程，含六个隐藏因子过程。它通过公平参考策略计算技能分数（0到1），并测量状态估计滞后和知道-做率。在50个种子压力情景下，Claude Sonnet 5、GPT-5.4、DeepSeek-V4-Pro和Grok 4.5检测84-88%隐藏失败，但技能分数从0.62到-0.23，两个模型低于症状盲基线。正确诊断的压力周中仍有34-43%缺货，且该比率与技能分数负相关。