RideWay：工具使用语言智能体的效率基准
原文标题：RideWay: Benchmarking Efficient Task Completion for Tool-Using Language 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。
论文提出RideWay，一个面向网约车智能体的效率中心基准，以及成功门控指标Efficiency Utility，对成功轨迹中多余的工具调用与用户交互轮次进行折扣。在58个任务与24个模型上，多余轮次的惩罚约为多余工具调用的两倍，该指标在轮次差异上准确率达90.6%，但在仅工具调用差异上仅达随机水平。
- 问题
- 智能体评测只看任务是否完成，忽略多余提问和冗余工具调用带来的用户摩擦。
- 方法
- 构建网约车有状态工具调用基准RideWay，提出成功门控指标Efficiency Utility，按人工偏好校准多余轮次与工具调用的惩罚。
- 结果
- 58任务24模型上，多余轮次惩罚约为多余工具调用的两倍；整体准确率78.7%，轮次差异下90.6%，仅工具调用差异时仅随机水平。
- 影响
- 给交互式智能体提供可量化的效率维度，但提示纯计数式工具调用评估已触边界，需换更细的度量。
深读 · 结论先行AI 生成展开看要点与影响 ↓
RideWay基准显示多余对话轮次惩罚约为多余工具调用的两倍，成功不等于体验好
- •提出成功门控指标Efficiency Utility，对成功轨迹中多余工具调用与用户轮次打折
- •58个任务、24个模型上，拟合出的多余轮次惩罚约为多余工具调用的2倍
- •留出偏好集上整体准确率78.7%，轨迹仅轮次不同时达90.6%
- •轨迹仅工具调用不同时仅随机水平，正是人类标注者一致性最低的维度
为什么重要：服务型智能体完成任务仍可能因反复提问惹恼用户；该基准把交互效率与任务成功并列度量，也暴露了基于计数的工具调用评估边界。
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。