arXiv · NLP· Zheng Jiang, Fang Niu, Bo Peng, Houde Qian, Wenyi Li, Deyao Hong, Mingju Gao, Yizhe Chi, Youjie Zheng, Kaisen Yang, Calvin Xiao, Lifeng Sun, Huan-ang Gao·· 10 天前AI 评分46
WorkflowArena:LLM 多智能体系统可执行工作流编排基准
WorkflowArena: Benchmarking Executable Workflow Orchestration in LLM-Based Multi-Agent Systems
AI 导读
研究者提出 WorkflowArena 基准,包含 8 个专业领域的 145 项长程任务,用于评估多智能体系统自主编排可执行工作流的能力。 实验测试 9 个模型发现:高负载下 Claude Code 较少调用工作流但工作组更大,Codex 则更频繁委派小单位;固定执行模型后,Claude Opus 5.5 编写的工作流显著提升弱模型表现。
来源:arXiv · NLP · arxiv.org