观点 / 方法普通
长程智能体可靠性未至，WeaveBench 最佳仅 41.2%
原始标题：Long-horizon agent reliability has not arrived yet with better models. On WeaveBench's 114 hybrid …
内容摘要
长程智能体可靠性尚未随更强模型到来，在 WeaveBench 的 114 项混合 GUI-CLI 任务中，官方报告的最佳通过率仅 41.2%。当前模型能处理局部步骤，但需显式审计状态才能保持全程任务不偏轨。论文提出 LongHorizon-Harness，认为长程可靠性取决于模型外围的 harness 而非模型本身。
内容分类AI 观点与方法
内容层级普通情报
发布时间（北京时间）
本站收录时间（北京时间）
信息来源X：Rohan Paul (@rohanpaul_ai)
站内情报编号intel-6c780634f3e8b53f38972210