★ 3
CivBench：文明VI中工具介导智能体的长时程基准
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。
arXiv cs.AI60 天前
#长时程
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
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。