VRL-Bench：有限试错预算下的智能体电脑控制评测
原文标题：VRL-Bench: Benchmarking agents on computer control tasks under finite trial 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 VRL-Bench，用于在有限试错预算下公平评估语言智能体的试错学习能力，覆盖 MiniWoB 与 WebShop 上的三个模型。结果显示 Reflexion 等言语记忆方法在部分场景提升成功率，在另一些场景反而降低，反思可能损害探索。作者提出 VEX² 调度器，用语言模型联合选择策略并分配剩余试错预算，是唯一在全部六种设置下均优于纯重试的方法。
- 问题
- 语言智能体在有限试错预算下的学习能力缺乏公平评测，言语记忆方法效果不稳定。
- 方法
- 提出VRL-Bench评测框架，并设计VEX²调度器用语言模型联合选择策略与分配剩余试错预算。
- 结果
- VEX²是唯一在MiniWoB和WebShop全部六种设置下均优于纯重试的方法。
- 影响
- 做电脑控制智能体的团队需注意反思可能损害探索，预算分配比单纯记忆失败经验更关键。
深读 · 结论先行AI 生成展开看要点与影响 ↓
VRL-Bench显示反思有时反降成功率，仅VEX²在全部六种设置下优于纯重试
- •提出VRL-Bench，在有限试错预算下公平评估语言智能体的试错学习能力
- •覆盖MiniWoB与WebShop两个环境、三个模型
- •Reflexion等言语记忆方法在部分设置提升成功率，在另一些设置反而降低
- •重放实验显示使用反思会降低成功率，暴露利用经验与持续探索之间的权衡
- •VEX²用语言模型联合选择策略并分配剩余试错预算，是唯一在全部六种设置下均获正增益的方法
为什么重要：Reflexion式反思被广泛默认有效，该基准给出反例，做Agent试错循环的团队应把预算分配当作一等设计变量而非默认加反思。
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。