arXiv · AI· Yi Wang, Haopeng Zhang, Chengxiang Huang, Rui Dai, Kaikui Liu, Piotr Koniusz, Xiangxiang Chu·· 2026-10-14AI 评分29
LoopArena:评测模型作为运行时控制器的基准测试
LoopArena: Benchmarking Models as Runtime Controllers for Loop Engineering
AI 导读
研究者提出 LoopArena 基准,评测模型指导独立编码智能体处理长时任务的能力。 该基准包含三种设置,其中全任务严格成功率最高仅为 36.25%,平均降低 60.6% 的推理成本估算。 作者已开源基准数据及评估代码。
来源:arXiv · AI · arxiv.org