BABA-Bench 评估长程患者倡导智能体

BABA-Bench 发布，包含 47 个交互世界，用于评估 14 个前沿大模型在患者倡导场景中的能力。 基准共进行 1,974 次运行，发现 28% 达成结果的路径无效；提供验证路径后，模型通过率显著提升至 91.5% 和 97.2%。