ToolBottleneckBench：固定预算下测量工具智能体性能
原文标题：ToolBottleneckBench: Measuring Tool-Agent Performance under Controlled Pressures and Fixed Harness Budgets
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文提出 ToolBottleneckBench，在固定 harness 预算下测量工具智能体在受控压力下的表现。实验发现可见工具菜单是唯一对模型造成大惩罚的压力，且惩罚与完成上限截断相关；将上限提高十六倍可消除大部分惩罚。研究建议报告压力效应时须注明 harness 预算，并开源基准。
- 问题
- 工具智能体的成绩同时受模型和运行框架预算影响，难以公平比较。
- 方法
- 构建固定 harness 预算的基准，单独变化工具目录、可见菜单、认证流程、记录编码四种压力。
- 结果
- 21 组配置中可见菜单是唯一造成大惩罚的压力；完成上限提高 16 倍可消除大部分惩罚。
- 影响
- 评估工具智能体时必须报告 harness 预算，否则模型排名可能被框架配置误导。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ToolBottleneckBench 发现可见工具菜单是唯一大惩罚压力，提高完成上限 16 倍可消除大部分惩罚。
- •固定 harness 预算，仅变动注册工具目录、可见工具菜单、认证工作流、返回记录编码之一
- •21 种模型与 harness 配置中，可见工具菜单是唯一对模型造成大惩罚的压力
- •该惩罚与完成上限处的截断相关，上限提高十六倍可消除大部分惩罚
- •多数失败终止于 harness 限制，失败记录对压力的识别力不比工具调用计数更强
- •仅两种修复（改变到达模型的工具或调用发起方）能胜过所有配置切换，且都不改善模型行为
为什么重要：工具智能体的得分同时反映模型与 harness 预算，这条提醒榜单对比必须标注预算，否则排名可能只是配置差异。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。