MobilePA-Bench: 在复杂现实任务上对移动规划智能体进行基准测试

MobilePA-Bench是一个包含1705个任务和212个移动工具的基准，用于评估移动规划智能体在复杂现实任务中的表现。 该基准结合了统一能力覆盖、证据对齐验证和能力门控评估，并系统性评估了开放和闭源大语言模型，揭示了资源检索和程序合规方面的具体弱点。 研究团队在沙箱中使用在线强化学习训练了一个Qwen3.8-27B基线模型，其性能提升为该环境在规划器开发中的效用提供了初步证据。