★ 2
科学搜索智能体失败点审计
论文提出「决策检查点」方法，在推理时记录观测与工具动作，以区分科学搜索智能体是未遇到目标论文、未尝试查阅，还是查阅后给出错误答案。在 540 道 AutoResearchBench Deep 问题上，关键词搜索准确率 24.6%，原始搜索 17.8%。该协议将目标暴露与查阅行为从聚合准确率中分离出…
arXiv cs.AI32 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出「决策检查点」方法，在推理时记录观测与工具动作，以区分科学搜索智能体是未遇到目标论文、未尝试查阅，还是查阅后给出错误答案。在 540 道 AutoResearchBench Deep 问题上，关键词搜索准确率 24.6%，原始搜索 17.8%。该协议将目标暴露与查阅行为从聚合准确率中分离出…