基准
MegaRCA-Mix
专为长周期AI智能体故障归因设计的评测数据集，包含50个人工标注的失败案例，覆盖执行密集型长任务场景，用于评估根因归因方法在大规模执行轨迹上的性能
时间轴 (近 90 天)
9月15日
研究团队构建了新评测集MegaRCA-Mix，包含50个人工标注的失败案例，覆盖长周期、执行密集型任务
待验证50%
9月15日
在MegaRCA-Mix上，Continual Search将GPT-5.5的F1分数从0.349提升到0.498，增幅超过40%
待验证50%
专为长周期AI智能体故障归因设计的评测数据集，包含50个人工标注的失败案例，覆盖执行密集型长任务场景，用于评估根因归因方法在大规模执行轨迹上的性能
研究团队构建了新评测集MegaRCA-Mix，包含50个人工标注的失败案例，覆盖长周期、执行密集型任务
在MegaRCA-Mix上，Continual Search将GPT-5.5的F1分数从0.349提升到0.498，增幅超过40%