OdysseyArena发布：新基准揭示前沿模型归纳缺陷

研究者发布了OdysseyArena基准，专门用于评测大语言模型在长程、主动及归纳交互场景下的能力。该基准包含120个任务，旨在量化智能体的归纳效率与发现能力。 为标准化测试，团队推出了OdysseyArena-Lite版本，并设置了超过200步的极端交互场景，以深入检验智能体在长时间交互中的稳定性表现。 基于对15余个领先大语言模型的实验结果，研究发现即便是当前的前沿模型，在处理归纳类场景时仍存在显著缺陷，未能完全满足评测要求。

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。