09:37
官方账号arXiv cs.AI@Leonardo Ranaldi, Sherrie Shen, Jushi Kai, Alexandra Birch
推荐理由：研究人员发布WorldBench基准，测试多语言智能体在真实场景中的表现，发现当前模型在长周期任务中表现脆弱。
WorldBench
共 1 条相关 AI 资讯
9月2日
09:37
WorldBench是一个包含1600个任务的多语言基准测试，覆盖7种语言和8种文化。该基准测试通过结构化动作让智能体在沙盒环境中执行日常任务。研究显示前沿模型仅达到49.2%的约束任务成功率(CTS)，所有模型在正确性和环境保持方面存在显著差距。