基准
AdaExploreBench
评估LLM智能体在动态环境中主动探索与测试时适应能力的基准，核心设计包含隐藏规则下的主动证据获取与隐式规则漂移检测。
时间轴 (近 90 天)
10月20日
研究者推出了 AdaExploreBench，一个用于评估 evolving 环境中主动探索与测试时适应能力的基准。
待验证50%
10月20日
AdaExploreBench 将环境动态实例化为隐藏规则，要求智能体主动获取证据并推断规则。
待验证50%
10月20日
AdaExploreBench 的核心设计围绕两个挑战：主动证据获取和隐式规则漂移检测。
待验证50%
10月20日
实验覆盖了八款领先的 LLM。
待验证50%
10月20日
GPT-6 Sol 在 AdaExploreBench 上仅达到 61.9% 的校准准确率。
待验证50%
10月20日
当提供充足证据或移除规则漂移时，平均性能显著提升近 10%。
待验证50%
10月20日
在测试时适应场景下，智能体需要在部署阶段根据新证据持续更新行为，同时保留仍然有效的旧规则；更新过于激进或保守都会导致问题，这一权衡是 AdaExploreBench 所揭示瓶颈的重要成因之一。
待验证50%
全部知识事实 (7)
待验证
实验覆盖了八款领先的 LLM。
50%待验证AdaExploreBench 将环境动态实例化为隐藏规则，要求智能体主动获取证据并推断规则。
50%待验证AdaExploreBench 的核心设计围绕两个挑战：主动证据获取和隐式规则漂移检测。
50%待验证在测试时适应场景下，智能体需要在部署阶段根据新证据持续更新行为，同时保留仍然有效的旧规则；更新过于激进或保守都会导致问题，这一权衡是 AdaExploreBench 所揭示瓶颈的重要成因之一。
50%待验证GPT-6 Sol 在 AdaExploreBench 上仅达到 61.9% 的校准准确率。
50%待验证当提供充足证据或移除规则漂移时，平均性能显著提升近 10%。
50%待验证研究者推出了 AdaExploreBench，一个用于评估 evolving 环境中主动探索与测试时适应能力的基准。
50%