Aug 29, 2026 14 min read
《AgentBench:将大语言模型作为智能体进行评估》中文精读
在八类交互环境中统一比较 LLM-as-agent,并定位长程推理、决策和指令遵循失败。
大模型算法、训练系统与工程实践的学习笔记。
Tag
2 essays under this label.
在八类交互环境中统一比较 LLM-as-agent,并定位长程推理、决策和指令遵循失败。
在统一环境跨搜索、编码、推理与工具使用研究时序/并行 test-time scaling,并定位上下文上限与验证缺口。