arXiv · AI· Mahesh Ramesh, Eric Cho, Alice Lu, Shawn Huang, Baiqing Lyu·· 5 小时前AI 评分30
Hedge-Bench：评估金融推理复杂任务下的智能体表现
Hedge-Bench: Benchmarking Agents on Hard, Realistic Tasks Pertaining to Financial Reasoning
AI 导读
团队提出包含92个真实环境基准Hedge-Bench，测试智能体基于冻结信息快照的预测能力，11个前沿模型联合成功率仅为2.54%至31.52%。使用GRPO在165个环境训练Muse-Glimmer，低推理算力下覆盖率从17.17%提升至33.36%，且token使用量减少47.9%。模型在GDPval等分布外任务上平均得分提升3.94至7.07点。
来源：arXiv · AI · arxiv.org