SLATE 基准发布：千级 API 长程选择，最强模型仅完成 5%
原文标题：SLATE: A Large-Scale Benchmark for Long-Horizon API Selection in E-commerce Tool Use
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 SLATE，面向电商企业场景构建约 1000 个工具的 API 库，用确定性模拟器与端到端任务成功率评估智能体的长程工具选择能力。测试 3B 至 12B 的六个开放决策模型，最佳者仅完成 5.0% 任务，显示企业级工具使用仍是难题。基准、模拟器与评测框架已开源。
- 问题
- 企业级上千 API 的长程工具选择能力缺乏可靠评测。
- 方法
- 构建约 1000 工具电商 API 库、确定性模拟器与端到端任务成功率指标。
- 结果
- 3B 至 12B 六个开放模型中最优仅完成 5.0% 任务。
- 影响
- 暴露企业 SOP 自动化的真实差距，可作为工具调用智能体的压力测试基准。
深读 · 结论先行AI 生成展开看要点与影响 ↓
SLATE 用约 1000 个电商 API 测长程工具选择，最强 3B-12B 模型仅完成 5.0% 任务。
- •基准含约 1000 个工具的电商 API 库，任务被拆成层级化、工具锚定的流程
- •用确定性模拟器返回匹配调用的记录输出，其余给默认响应
- •以端到端任务成功率评分，认可多样但有效的轨迹，全自动可复现
- •测试六个开放决策模型及其底座模型，参数 3B 至 12B，最佳仅 5.0%
- •基准、模拟器与评测框架已开源
为什么重要：企业想让智能体自动跑标准流程，但千级 API 下的长程选择仍是硬骨头；该基准把「规模+长程+客观评分」三者同时纳入，给做企业智能体的团队一个可复现的难度标尺。
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。