CivBench：文明VI中工具介导智能体的长时程基准
原文标题：CivBench: A Long-Horizon Benchmark for Tool-Mediated Agents in Civilization VI
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。
CivBench是一个开源基准，用于评估语言模型智能体在长时程、工具介导环境中的表现，通过模型上下文协议实现。单集超过300轮，产生数千次工具调用，环境暴露76个MCP工具。研究发现智能体在主动监控和承诺执行方面存在系统性偏差。
- 问题
- 缺乏评估语言模型智能体在长时程、工具介导、部分可观测环境中表现的开源基准。
- 方法
- 基于MCP构建文明VI环境，单集300+轮、76个工具、数千次调用，并定义PMR与RAG@10两个接口级指标。
- 结果
- 23次有效运行中，智能体每30-75轮才查一次胜利进度（指引为20轮），20次可检测失败中有7次未在预警窗口内查询。
- 影响
- 暴露智能体在主动监控与承诺执行上的系统性缺陷，为长时程Agent的工具调用与状态查询设计提供量化依据。
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。