研究者提出长程科研智能体动作构建评估框架
Start here
2026年11月，研究者在 arXiv 发布成果，针对大语言模型科研智能体因指令细节遗漏导致的实验执行歧义，提出用于动作构建评估的 reading-set 框架。实验表明，在 30 个合成状态测试中，完整设计请求使两个模型族的经济效率相比基线分别提升 465.98% 和 327.91%。此外，在包含 60 个场景的数据集测试中，该框架的单位成本信息量指标与 18 名人类判断的平均场景内相关性达到 0.733。
AI-generated from reports · Updated 19 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 人工智能长程科研智能体的动作构建：设计具信息量的动作
研究者提出评估大语言模型科研智能体动作构建的 reading-set 框架，解决指令细节遗漏导致的实验执行歧义。在 30 个合成状态测试中，完整设计请求使两个模型族的经济效率相比基线分别提升 465.98% 和 327.91%。包含 60 个场景的数据集测试显示，其单位成本信息量指标与 18 名人类判断的平均场景内相关性达 0.733。
Story heat trend
Current heat 5·Comparable peak 9（Nov 3 18:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.