AdaExploreBench基准测试评估LLM智能体在动态环境中的自适应能力

AdaExploreBench基准测试旨在评估LLM智能体在动态环境中主动发现隐藏的环境规则和适应未宣布变化的能力。最新报道指出，当前模型在寻求相关证据和检测过时知识方面存在困难，主动和自适应的探索仍然具有挑战性。实验结果显示，GPT-6 Sol的准确率仅为61.9%，但提供足够证据或去除规则漂移可以显著提高平均性能，接近10%。早先报道称，模型在主动探索和自适应方面存在困难，但未提及具体准确率。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。