CoffeeBench：LLM 智能体能否诊断家电故障
原文标题：Can LLM Agents Efficiently Identify Appliance Faults? Insights From Diagnosing a Simulated Appliance
重要度 2/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
研究者提出 CoffeeBench，一个基于模拟家电的 LLM 智能体故障诊断任务。评估显示模型难以仅凭传感器信息稳定识别故障，但表现最佳者可通过迭代缩小故障选项空间最终成功诊断。分析还给出诊断效率区分、弱模型表现及选择性预测启发式等洞见。
- 问题
- LLM 智能体能否仅凭传感器信息诊断家电故障，现有考试式基准无法评估实际运维能力。
- 方法
- 构建模拟家电的 CoffeeBench 故障诊断任务，让智能体迭代缩小故障选项空间，并按诊断效率、弱模型表现和选择性预测启发式做分析。
- 结果
- 最佳模型可迭代收敛到正确诊断，但多数模型无法稳定从传感器信息识别故障；初始诊断不确定性和 LLM 评判的推理合理性是成功的高信号预测因子。
- 影响
- 为工业运维场景的 LLM 智能体提供更贴近实操的评测，并给出显式跟踪 episode 状态以减少超时等可落地改进。
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。