AgentHop 多跳智能体诊断基准发布

Chanhee Park 等人发布 AgentHop 基准，包含 1011 道选择题及七工具沙箱。该基准在固定 token、轮次和工具调用约束下，拆解检索、合成、工具调用等资源管理四轴评估。 研究覆盖 19 个模型，发现显著家族特征：GPT 模型倾向于早期提交，而 DeepSeek 与 Kimi 存在过度搜索现象。 该论文已被 NeurIPS 2026 接收，完整测试集与测试框架已开源，供后续研究使用。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。