arXiv · AI· Yu Jiang, Yue Huang, Hang Hua, Yuyang Wu, Zixuan Weng, Olexandr Isayev, Yue Zhao, Zinan Lin, Xiangliang Zhang·· 7 小时前AI 评分24
终端任务中的深度度量与合成：DEPTH 方法评估
Is Your Long-Horizon Benchmark Really Deep? Measuring and Synthesizing Depth in Terminal Tasks
AI 导读
研究提出 DEPTH 方法，定义任务深度为按顺序发生的轮次，比模型轮次更准确预测难度。审计 734 个任务发现 94% 的合成任务在三轮内完成，深度预测能力优于轮次计数。Qwen3-8B 微调后在两个终端基准上提升，显示该方法可生成更难的任务。
来源：arXiv · AI · arxiv.org