RESEARCH LIBRARY · EVIDENCE FIRST
论文库
共 5 篇论文
ICLR 2025 · 2025入库 2026-07-30τ-bench：在真实领域中评测工具—智能体—用户交互τ-bench: A Benchmark for Tool-Agent-User Interaction in Real-World Domainsτ-bench 把用户对话、API 工具、领域政策和可验证数据库终态放进同一动态基准，并用 pass^k 揭示平均成功率尚可的智能体在重复交互中仍会迅速失去一致性。模型 GPT-4o · GPT-4-Turbo · GPT-4-32K · GPT-3.5-Turbo · Claude-3-Opus · Claude-3-Sonnet · Claude-3-Haiku · Gemini-1.5-Pro · Gemini-1.5-Flash · Mistral-Large · Mixtral-8x22B · Llama-3-70B-Instruct基准 τ-bench阅读全文 →ACL 2024 · 2024入库 2026-07-28LoCoMo：评估 LLM 智能体的超长期对话记忆Evaluating Very Long-Term Conversational Memory of LLM AgentsLoCoMo 用经人工修订的超长合成对话和问答、事件总结、多模态生成三类任务评测长期记忆，显示长上下文与 RAG 虽能提升召回，却仍难以稳定完成跨会话时序、因果和抗误导推理。模型 GPT-3.5-Turbo · GPT-4-Turbo · Gemini-1.0-Pro · Claude-3-Sonnet · Mistral-7B-Instruct-v0.2 · Llama-2-70B-Chat · Llama-3-70B-Instruct · MiniGPT-5 · BLIP-2 · text-davinci-003基准 LoCoMo阅读全文 →COLM 2024 · 2024入库 2026-07-22RULER：长上下文模型的真实有效上下文有多大RULER: What's the Real Context Size of Your Long-Context Language Models?RULER 用可控长度与难度的 13 项合成任务，把长上下文评测从单针检索扩展到多项检索、变量追踪、聚合与问答，揭示模型声明窗口与任务有效窗口之间的显著落差。模型 Gemini-1.5-Pro · GPT-4-1106-preview · Llama 3.1 70B/8B · Qwen2-72B-Instruct · Command R+ · GLM-4-9B-Chat-1M · Yi-34B-200K · Mixtral-8x22B-Instruct · Phi-3 Medium-128K · Mistral-7B-Instruct-v0.2 · LWM-Text-Chat-1M · DBRX Instruct · GradientAI/Llama3-70B · Together Llama-2-7B-32K-Instruct · LongChat-7B-32K · LongAlpaca-13B基准 RULER · SQuAD · HotpotQA阅读全文 →ACL 2023 · 2023入库 2026-07-20Self-Instruct：用模型自生成指令完成指令微调Self-Instruct: Aligning Language Models with Self-Generated InstructionsSelf-Instruct 用少量人工种子任务引导模型生成、筛选并回收大规模指令数据，让同一个基础模型通过监督微调显著改善指令遵循能力。模型 GPT-3 davinci · InstructGPT-001 · InstructGPT-002 · InstructGPT-003 · T5-LM · T0 · Tk-Instruct基准 Super-NaturalInstructions · Self-Instruct User-Oriented Instructions阅读全文 →ICLR 2023 · 2023入库 2026-07-20ReAct：在语言模型中协同推理与行动ReAct: Synergizing Reasoning and Acting in Language ModelsReAct 将语言推理轨迹、环境动作与观察交错组织，让模型既能用推理规划行动，也能通过行动取得外部证据并修正推理。模型 PaLM-540B · PaLM-62B · PaLM-8B · GPT-3 text-davinci-002基准 HotpotQA · FEVER · ALFWorld · WebShop阅读全文 →
没有找到符合条件的论文。