AdaExploreBench评测智能体主动探索能力

事件综述根据 1 篇报道整理，10月20日更新

研究团队发布基准 AdaExploreBench，用于评测 LLM 智能体能否在规则隐藏且会漂移的环境中主动取证、推断规则，并在性能下降时察觉旧知识失效、重新探索。 在八个主流 LLM 上的实验显示，GPT-6 Sol 的校准准确率仅为 61.9%；当提供充分证据或移除规则漂移后，平均表现提升接近 10%。作者据此称，当前智能体在证据可得时能有效推理，但难以主动获取正确证据，也难以识别已有证据何时失效。 该结果来自团队自行开展的基准测试，尚未见独立复现。

综述由模型根据报道生成，细节以各篇原文为准。