ASTRA-bench基准测试发布

1. 13:00
   arXiv · AI

   ASTRA-bench：评估具备个人用户上下文的工具使用智能体推理与行动规划

   研究团队推出基准测试 ASTRA-bench，集成时变个人上下文、交互式工具箱及复杂用户意图，包含 4 个角色生成的 2413 个场景。 评估显示 Claude-4.5-Opus 和 DeepSeek-V3.2 等高复杂度场景下性能显著下降，论证生成为主要瓶颈。 该基准公开完整执行环境与评估脚本，旨在为开发真正具备上下文感知能力的 AI 助手提供诊断平台。

趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。