热点事件持续更新
研究揭示BFCL多轮评测缺陷并提出动作决策评分方法
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
2026年10月，发表于arXiv的一项研究指出，BFCL多轮基准测试在评估智能体主动提问时存在机制缺陷。由于评分器会跳过提问轮次，导致智能体的主动提问无法得分，而盲目猜测也不会受到惩罚。研究人员构建了223对完整与缺失信息的控制实验，结果显示gpt-5.4取得了80.7%的最高决策准确率，但在官方榜单上仅排第六；若在输入中加入不提问的提示词，官方得分反而能大幅提升13.5至23.5分。针对该问题，研究提出了动作决策评分方法。
AI 根据报道生成 · 2 小时前更新
最新进展10月6日 12:00
研究指出BFCL多轮评测存在跳过提问轮次的缺陷，并提出了动作决策评分方法。报道时间线
沿着报道，了解事件的不同侧面。
10月6日
- arXiv 人工智能精选论文揭示 BFCL 多轮评测存在提问不计分缺陷并提出动作决策评分方法
论文指出 BFCL 多轮基准测试在评估智能体主动提问时存在机制缺陷，其评分器会跳过提问轮次导致主动提问无法得分、盲目猜测不受惩罚。研究构建了 223 对完整与缺失信息的控制实验，发现 gpt-5.4 取得了 80.7% 的最高决策准确率却在官方榜单仅排第六，加入不提问提示词反而能让官方得分大幅提升 13.5 至 23.5 分。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。