★ 3
ERPBench：评估企业决策代理跨市场生态
研究推出ERPBench基准，在六轮ERP模拟中评估企业决策代理，包含Solo和Arena两种竞争市场生态。结果显示领先模型因生态而异：DeepSeek在Solo领先，Gemini在Arena领先，且任务级赢家仅21%一致，表明排名可能不跨生态转移。
arXiv cs.AI56 天前
#LLM代理
共 4 篇相关资讯，按重要度与时间排序，每 3 小时更新。
★ 3
研究提出信念校准优化：为LLM智能体构建显式世界模型
本文提出信念校准优化（BCO），将编码代理的隐式信念显式化为持久上下文文档，并随评估持续修订。该文档作为世界模型，在五个基准上比无世界模型的对照获得更高训练通过率。目标模型交换后，BCO脚手架仍领先。离线消融表明文档内容携带可复用信息。
arXiv cs.AI60 天前
★ 3
迈向基于信念的LLM代理世界模型
本文提出信念基础世界模型（BB-WMs），它建模并维护信念，LLM可查询以获取当前状态已知和不确定的信息。实验表明，在部分可观测性下，让LLM代理访问世界模型信念可提高任务性能，并与现有基于模拟的世界模型互补。
arXiv cs.AI61 天前
★ 2
RestoreBench：AI代理能否恢复潮流收敛？
RestoreBench是一个基准测试，用于评估LLM代理在诊断和解决电力系统潮流不收敛问题上的能力。它涵盖多个LLM和三种架构（聊天机器人、单代理、多代理），涉及两个电网和每个电网46个案例。该基准提供了模拟环境、观测和动作空间及评估指标，为电力系统规划与运行的智能代理开发奠定基础。
arXiv cs.AI61 天前
这个主题的相关资产
相关公司深度求索（DeepSeek）1