ParaRecover：并行工具智能体错误定位与恢复基准
原文标题：ParaRecover: A Process-Level Benchmark for Error Localization and Recovery in Parallel Tool-Use Agents
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。
现有智能体基准多只评估最终任务成败或工具调用正确性，难以衡量智能体能否诊断并恢复中间执行失败。作者提出 ParaRecover，一个面向多轮并行工具调用智能体的过程级基准，基于 14 类错误分类构建 10,626 个实例，并提出 SDE 评分标准衡量结构完整性、诊断推理与演化策略。实验显示即便最先进模型在多轮错误传播、隐式工具失败与精确重规划上仍表现不佳，而 SDE 评分可作为提升反思恢复能力的监督信号。
- 问题
- 现有智能体基准只看最终成败，无法衡量中间失败的诊断与恢复能力。
- 方法
- 构建 14 类错误、10,626 实例的过程级基准 ParaRecover，并提出 SDE 评分衡量结构、诊断与重规划。
- 结果
- 十余个主流 LLM 在多轮错误传播、隐式工具失败与精确重规划上仍表现不佳。
- 影响
- 为并行工具调用智能体提供过程级评测与监督信号，推动可靠恢复能力优化。
深读 · 结论先行AI 生成展开看要点与影响 ↓
ParaRecover以14类错误、10,626个实例评测并行工具智能体的错误恢复能力
- •现有基准多只看最终成败或工具调用正确性，难衡量中间失败的诊断与恢复
- •基于14类错误分类（规划依赖、工具选择、参数匹配）构建10,626个实例，分两个难度级别
- •提出SDE评分，衡量执行中的结构完整性、诊断推理与演化策略
- •十余个主流LLM测试显示，最先进模型仍难处理多轮错误传播、隐式工具失败与精确重规划
- •SDE评分可作为监督信号提升智能体的反思恢复能力
为什么重要：并行工具调用是智能体落地的高频形态，这条把评测从结果层推到过程层，做智能体可靠性的人应关注。
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。