TOPIC · BENCHMARK · 62 PAPERS

评测与数据

大语言模型推理对齐智能体多模态视觉生成视觉理解与 3D 机器人与具身高效训练与推理安全与可解释 AI for Science 代码与软件工程评测与数据强化学习

近 30 天 60

#02 ▲220 ★1.6k ❝22 2026-09-21

RRSI: Regularized Recursive Self-Improvement of Agent Harnesses

给 Agent 框架的递归自我改进加上正则化，防止只在训练任务上涨分、换分布就失效。

Google · Peng Xia, Rujun Han, Zifeng Wang +11

智能体评测与数据 arXiv 代码 HF

#11 ▲459 ★218 ❝0 2026-10-15

Has GPT-6-Astra Achieved Embodied Intelligence?

在 12 个机器人基准上系统评测 GPT-6-Astra 的具身能力，并讨论通用大模型对机器人研究的影响。

SenseNova · SenseNova, Joint Research Team, Zhongang Cai +59

机器人与具身评测与数据 arXiv 代码 HF

#23 ▲272 ★107 ❝0 2026-10-15

FDE-Gym: The Last Mile of AI Delivery

FDE-Gym 收录 95 个真实交付任务，考察 Agent 能否像驻场工程师一样澄清需求并交付可用方案。

DeepLethe · Dongxu Yang, Hongda Yan, Renxin Wang +23

智能体评测与数据 arXiv 代码 HF

#25 ▲490 ★30 ❝0 2026-10-14

BizAgentBench: Unveiling Hidden Challenges in Deploying Long-Horizon Agents for Real-World Business

BizBench 基于真实支付业务流程，检验长任务 Agent 在执行中途是否违反政策与约束。

ant-international · Enhan Zhao, Yongqi Tong, Xuejun Yu +6

智能体评测与数据 arXiv 代码 HF

#26 ▲727 ★5 ❝0 2026-10-15

PremiseCheck: Efficient Fact-Checking of Human and AI Peer Reviews

ReviewFact 标注审稿意见中的事实错误，PremiseCheck 结合大模型和轻量判别模型低成本核查。

机构待核实 · Dingjie Song, Zhiling Yan, Ziqian Zhang +2

评测与数据高效训练与推理 arXiv 代码 HF

#34 ▲163 ★36 ❝1 2026-09-22

The Tasteful Agent: Measuring and Improving Taste in Long-Horizon Tasks

Taste-Bench 衡量 Agent 在长任务里选方向的“品味”，并探索如何提升这种决策能力。

Microsoft · Wenbo Pan, Zhichao Liu, Shujie Liu +6

智能体评测与数据 arXiv 代码 HF

#38 ▲21 ★2.8k ❝22 2026-09-29

TabFM: A Zero-Shot Foundation Model for Tabular Data

TabFM 是 4 亿参数的表格基础模型，全靠合成数据训练，单次前向即可零样本预测。

Google · Weihao Kong, Erez Louidor Ilan, Shuxin Nie +6

大语言模型评测与数据 arXiv 代码 HF

#44 ▲197 ★123 ❝0 2026-10-07

UltraText Bench: A Comprehensive Bilingual Benchmark for Evaluating Visual Text Rendering in Image Generation

UltraText Bench 用 432 条中英双语提示，评测图像生成模型渲染密集文字的能力。

Westlake University · Deyuan Liu, Yihao Hu, Jingxuan Zhang +13

视觉生成评测与数据 arXiv 代码 HF

#53 ▲233 ★42 ❝0 2026-10-09

AgentSWE: Can Coding Agents Build the Agent You Actually Want?

AgentSWE 评测编程 Agent 能否按需求从零搭建、修改和优化真正好用的 Agent。

机构待核实 · Jiahao Wang, Hongjin Qian, Yuyang Hu +2

智能体代码与软件工程评测与数据 arXiv 代码 HF

#55 ▲73 ★572 ❝0 2026-09-21

GameHorizon Suite: Multi-Horizon Data and Evaluation in Gameplay

GameHorizon 提供多时间尺度的游戏数据标注和评测，衡量模型的规划和操作能力。

Tencent · Yiran Wang, Xingyilang Yin, Junfu Pu +12

评测与数据智能体 arXiv 代码 HF

#63 ▲155 ★19 ❝0 2026-10-13

Into the Unknown: Benchmarking AI agents on open scientific research problems

Into the Unknown 让 Agent 针对美国国家实验室科学家提供的未发表方向写续作论文，评测开放科研能力。

Carnegie Mellon University · Seungone Kim, Jiayi Geng, Young-Jun Lee +25

智能体 AI for Science 评测与数据 arXiv 代码 HF

#64 ▲291 ★5 ❝0 2026-10-16

OR-License: Evaluating LLM Agents as Real-World Operations Research Practitioners

OR-License 用 31 个真实付费运筹咨询项目的原始材料，测试大模型智能体能否直接交付专家级运筹方案。

Data Science & Artificial Intelligence Lab at HKUST · Peisong Wang, Feixue Liu, Yize Meng +16

评测与数据智能体 arXiv 代码 HF

#65 ▲34 ★637 ❝9 2026-09-29

Systematically Exploring the Capabilities of GPT-6 Astra as Embodied Policies

在六类具身任务上系统测试 GPT-6 Astra 直接输出机器人动作的能力，以及与专用策略的配合。

Galbot · Galbot Team, Xuchuan Chen, Xiaoqian Cheng +31

机器人与具身评测与数据 arXiv 代码 HF

#80 ▲153 ★13 ❝1 2026-10-06

Learn2Play Bench: How Well Do LLM Agents Learn from Experience in Unfamiliar Environments?

Learn2Play Bench 用规则新奇甚至反直觉的文字游戏，检验 Agent 能否从经验中学习。

National University of Singapore · Yibo Li, Jinhang Qiu, Zhi Zheng +4

智能体评测与数据 arXiv 代码 HF

#89 ▲149 ★38 ❝0 2026-10-14

MAI-Gym: An Open All-in-One Platform for GUI Agent Evaluation and RL Training across Mobile and Computer Environments

MAI-Gym 是开源 GUI Agent 一体化平台，统一评测、数据采集和在线 RL，最多可并行 2 万个环境。

Tongyi-MAI · Panrong Tong, Quyu Kong, Pengxiang Li +12

智能体强化学习评测与数据 arXiv 代码 HF

#91 ▲110 ★113 ❝0 2026-10-14

Doc2Harness: Benchmarking LLMs on Long-Horizon Harness Engineering of Coding Agents

Doc2Harness 直接评测大模型能否按开发文档从零搭建长任务编程 Agent 的执行框架。

Institute of Computing Technology · Yuyao Ge, Shenghua Liu, Peizhong Gao +8

智能体评测与数据代码与软件工程 arXiv 代码 HF

#93 ▲170 ★18 2026-10-19

EgoXperience: Learning World-Grounded Egocentric Representations from Human Experience

EgoXperience 用自动标注引擎联合重建第一视角视频中的人体运动、场景几何与手物交互，并配套基准。

Ropedia · Xinhao Ji, Hui En Pang, Hao Li +12

视觉理解与 3D 机器人与具身评测与数据 arXiv 代码 HF

#97 ▲74 ★49 ❝3 2026-10-01

PROWBench: Do Video Models Render What the Program Specifies?

PROWBench 检验视频模型是否按程序指定的世界事件准确渲染，面向下一代游戏引擎。

Alaya Lab · Zheng-Hui Huang, Guixu Lin, Yu-Ju Tsai +6

视觉生成评测与数据 arXiv 代码 HF

#99 ▲206 ★6 ❝0 2026-10-13

RoTA-Bench: Evaluating 3D Spatial Reasoning through Interactive Projection Alignment

RoTA-Bench 通过交互式旋转物体对齐剪影，评测视觉语言模型的 3D 空间推理。

MAC-AutoML · Qingchuan Ma, Yuexiao Ma, Xiang Meng +7

多模态评测与数据推理 arXiv 代码 HF

#101 ▲76 ★56 ❝0 2026-10-10

Last Secure Code Benchmark: Is the Code You Vibe Secure?

基于 150 个真实漏洞构建 450 个任务，检验编程 Agent“氛围编程”写出的代码是否安全。

Qwen · Tianyi Wu, Chao Ge, Peng Chen +12

代码与软件工程安全与可解释评测与数据 arXiv 代码 HF

#105 ▲44 ❝40 2026-09-22

JEV-as-a-Judge: Accept When Confident, Escalate When Unsure

用只做决策的轻量评审模型做第一轮打分，没把握时再升级给大模型，成本仅为后者的零头。

Carnegie Mellon University · Yubo Li, Yidi Miao, Ramayya Krishnan +1

评测与数据高效训练与推理 arXiv HF

#107 ▲156 ★13 ❝0 2026-10-19

Holi-World: Building Holistic World Intelligence from Human-Ego Experience

Holi-World 是从人类第一视角经验构建世界智能的完整生态，覆盖采集、表征、数据构建、训练和评测。

Ropedia · Hao Li, Xiyuan Zheng, Yuanyuan Gao +7

视觉理解与 3D 评测与数据 arXiv 代码 HF

#113 ▲92 ★83 ❝0 2026-10-14

More Methods, Better Agents? A Reality Check on Self-Distillation in Agentic Reinforcement Learning

在统一条件下对比十种 Agent 强化学习自蒸馏方法与 GRPO，检查它们的真实收益和成本。

Zhejiang University · Linhao Zhong, Bozhen Fang, Xuehao Wang +7

智能体强化学习评测与数据 arXiv 代码 HF

#116 ▲287 ❝0 2026-10-01

RealCompanion: Benchmarking Human Understanding from Reasoning over Longitudinal Real-World Conversations

RealCompanion 公开 10 段长达 120 天、共 27218 条的真实 AI 陪伴对话，检验模型对人的长期理解。

Quis Lab · Arman Behnam, Sunglyoung Kim, Jiayi Yu +2

评测与数据智能体 arXiv HF

#130 ▲165 ❝0 2026-10-09

Scaling Agentic Data for Long-Horizon Terminal Intelligence

研究如何规模化合成高质量长程终端任务轨迹，训练能完成专业任务的终端 Agent。

alibaba · Shun Zou, Ziyu Ma, Yi Zou +6

智能体评测与数据 arXiv HF

#132 ▲132 ★9 ❝0 2026-10-07

LiveMACE: Process-Aware Evaluation of LLM Agent Capabilities in Evolving Markets

LiveMACE 用实时金融市场做测试场，从结果和过程两方面评估持续运行的大模型 Agent。

Fudan University · Jun Zhao, Leiming Fu, Yanbo Wen +9

智能体评测与数据 arXiv 代码 HF

#134 ▲34 ★178 ❝4 2026-10-02

4DCodeBench: Benchmarking Agents on Inverse Graphics of Dynamic Scenes

4DCodeBench 要求 Agent 把动态视频重建为可执行的图形程序，考察 4D 逆向图形能力。

4DCodeBench · Ruihong Shen, Žiga Kovačič, Peter Kulits +6

评测与数据代码与软件工程视觉理解与 3D arXiv 代码 HF

#137 ▲111 ★20 ❝0 2026-10-08

SoftwareGym: Scaling Computer-Use Agent Training with Diverse Synthesized Software Environments

SoftwareGym 自动合成多样、可运行且可验证的 GUI 软件环境，用来扩大电脑操作 Agent 的训练。

Shanghai Jiao Tong University · Tian Jin, Wenhao Wang, Jing Kang +4

智能体评测与数据 arXiv 代码 HF

#145 ▲43 ★48 ❝1 2026-10-14

Orbia: Do Generated Videos Form a Consistent 3D World?

Orbia 是首个系统评测交互式世界模型 3D 一致性的基准，检查回访时场景是否保持不变。

Tencent · Dongyue Lu, Guian Fang, Hur Lim +20

视觉生成评测与数据 arXiv 代码 HF

#146 ▲134 ★7 ❝0 2026-09-26

VoxMem: Benchmarking Multimodal Memory in Large Audio Language Models

VoxMem 评测音频大模型能否记住语音里“谁说的、怎么说的、听到了什么”等转写之外的信息。

The University of Melbourne · Yang Xiao, Vidhyasaharan Sethu, Eun-Jung Holden +1

多模态评测与数据 arXiv 代码 HF

#148 ▲60 ★135 ❝0 2026-10-13

OmniCompass: A Holistic Benchmark for Omni-Modal Video Grounding and Understanding

OmniCompass 分视觉和音视频两条赛道，全面评测模型的视频定位与理解能力。

VCLab · Xuyang Liu, Shihao Wang, Xinyu Wei +5

多模态评测与数据 arXiv 代码 HF

#161 ▲72 ★13 ❝0 2026-09-27

TraceDance: An Automated System for Building Agent Behavior Benchmarks from Real-World Agent Deployment Traces

TraceDance 从真实部署轨迹中自动构建针对特定不良行为的 Agent 测试集。

ByteDance · Dehai Min, Daoan Zhang, Yiming Zeng +13

智能体评测与数据安全与可解释 arXiv 代码 HF

#167 ▲75 ★46 ❝0 2026-09-29

EngiWorld: What Can Frontier Agents Deliver in Professional Engineering Environments?

EngiWorld 收录 1301 个专家任务，覆盖 CAD、CAE、EDA 等 6 个工程领域和 26 款专业软件。

Zhiman AI · Hongcheng Gao, Hailong Qu, Yu Lei +19

智能体评测与数据 arXiv 代码 HF

#176 ▲65 ★5 ❝3 2026-09-30

More Choices, Fewer Decisions: Ordinal-Scale Bias in JEV-like Direct-Decision Models

发现 JEV 类直接决策模型在有序打分时偏向中间档，没有充分利用整个评分尺度。

Jilin University · Tianxiang Gao, Jinzhe Li, Zhiyuan Li +2

评测与数据 arXiv 代码 HF

#187 ▲90 ❝1 2026-09-25

Duplex-MPE: Benchmarking Multi-Party Interaction in Full-Duplex Dialogue

Duplex-MPE 用 2000 个多人对话场景，评测全双工语音助手何时该接话、沉默或停下。

Peking University · Chengqian Ma, Wenhao Feng, Weixuan Jin +7

多模态评测与数据 arXiv HF

#200 ▲106 ★4 ❝0 2026-09-30

WorldAuditBench: Interactive 3D World Auditing with Multimodal Agents

WorldAuditBench 让多模态 Agent 在 3D 世界中移动搜寻漂浮物体、穿墙等异常。

University of California, Santa Barbara · Ziyan Jiang, Jingbo Yang, Jiabao Ji +5

多模态智能体评测与数据 arXiv 代码 HF

#202 ▲63 ★14 ❝1 2026-09-30

Science or Slop?: Benchmarking and Mitigating Scientific Slop in AI-Generated Papers

SciSlopBench 收录 390 篇 AI 生成论文，检测看似合理但推理断裂的“科研垃圾”，并探索缓解办法。

Seoul National University · Yerim Oh, Young-Jun Lee, Jaewoo Ahn +2

评测与数据 AI for Science arXiv 代码 HF

#204 ▲74 ★17 ❝0 2026-10-09

EmbodiedCLBench: Evaluating Continual Learning for Self-Evolving Embodied Agents

EmbodiedCLBench 是首个具身仿真中的持续学习基准，考察 Agent 能否组合旧技能完成新任务。

PKU-VaLuE-Lab · Jie Huang, Yanan Chen, Ruixun Liu +6

机器人与具身智能体评测与数据 arXiv 代码 HF

#208 ▲103 ❝0 2026-09-29

Predictive Credit: Measuring What Scientific Explanations Add to Experimental Forecasts

提出“预测贡献”指标，衡量科研 Agent 对实验的解释是否真能改善结果预测；预注册检验结论为不确定。

Carnegie Mellon University · Jingjie Ning, Xueqi Li, Yibo Kong +1

AI for Science 评测与数据 arXiv HF

#215 ▲72 ★2 ❝2 2026-10-06

CheckerBench: Can Long-Horizon Agents Synthesize Static-Analysis Checkers?

CheckerBench 用源自 297 个 CVE 的 300 个任务，测智能体能否在真实仓库写出静态分析检查器。

Humanlaya Data Lab · Hang He, Li Wang, Hao Chen +9

代码与软件工程智能体评测与数据 arXiv 代码 HF

#224 ▲25 ★185 ❝0 2026-10-14

BlenderWorld: Benchmarking Visual Agents for 3D Creation from Real-World References

Qwen 的 BlenderWorld 基准测视觉智能体能否照真实参考图在 Blender 中创建和编辑 3D 内容。

Qwen · Xinyu Fang, Yuchi Wang, Weihao Yu +12

评测与数据智能体多模态 arXiv 代码 HF

#228 ▲75 ★11 ❝0 2026-09-30

EgoTools: Towards Tool-Centric Reasoning in Real-World Egocentric Videos

EgoTools 关注真实第一视角视频中的工具使用推理，评测并提升模型对手-工具-物体关系的理解。

Ropedia · Shulin Tian, Junsu Kim, Shuai Liu +17

多模态推理评测与数据 arXiv 代码 HF

#234 ▲40 ★41 ❝1 2026-10-07

RobotWorld: Benchmarking Multimodal Agents for Robot Use Across Diverse Tasks and Embodiments

RobotWorld 用 84 个仿真任务（操作、移动、驾驶、飞行）检验通用多模态 Agent 能否操控机器人。

机构待核实 · Zhiqin Yang, Chenxin Li, Xiaomeng Hu +30

机器人与具身智能体评测与数据 arXiv 代码 HF

#237 ▲31 ★26 ❝1 2026-09-24

ExplorationBench: Measuring AI Systems' Exploration in Verifiable Alien Worlds

腾讯混元 ExplorationBench 在可验证的虚构世界中测 AI 的科学探索能力，排除预训练知识的干扰。

Tencent Hunyuan · Ming Zhang, Zhenghao Xiang, Peizhong Gao +17

AI for Science 评测与数据智能体 arXiv 代码 HF

#238 ▲85 ★5 ❝0 2026-10-06

DecepEval: A Benchmark for Evaluating Deception in LLM Agents

DecepEval 用 1532 个实例和“欺骗钻石”框架，评测 LLM Agent 在什么条件下更容易撒谎。

Xi'an Jiaotong University · Yiming Xu, Hongyue Yu, Beihua Yang +8

安全与可解释评测与数据智能体 arXiv 代码 HF

#247 ▲123 ❝0 2026-09-30

GraphForge: Training Working Agents with Graph-Anchored Workspace Synthesis

GraphForge 以真实文件构建证据图，合成带可验证结果的办公任务来训练“干活型”智能体。

University of Science and Technology of China · Qisheng Su, Hanchen Wang, Guanru Zhu +9

智能体评测与数据 arXiv HF

#249 ▲56 ★21 ❝0 2026-10-01

SimuVerity: Benchmarking Agents for Engineering-Grade Simulink Model Generation

SimuVerity 用 101 个任务检验智能体生成的 Simulink 模型是否满足工程需求，而不只是能运行。

Xi'an Jiaotong University · Ruiqi Zhang, Jiahao Wang, Mingxuan Li +9

智能体评测与数据代码与软件工程 arXiv 代码 HF

#254 ▲53 ★4 ❝0 2026-10-15

From Research Goals to Scientific Closure: Evaluating Agents Through Evidence-Supported Physics Research

PhysClosureBench 用 50 个专家验证的物理研究任务，评估 Agent 能否组织研究并得出有证据支撑的结论。

Shanghai AI Laboratory · Yijia Mao, Song Dai, Tao Chen +14

AI for Science 智能体评测与数据 arXiv 代码 HF

#264 ▲60 ★26 ❝0 2026-10-01

EditHero: A Benchmark for Long-Horizon Part-Level 3D Editing and Vibe Modeling

EditHero 是首个长程、部件级 3D 编辑基准，检验连续多次修改时能否只改指定部分。

机构待核实 · Ruihan Yu, Yu-Ju Tsai, Muyao Niu +9

视觉理解与 3D 评测与数据 arXiv 代码 HF

#276 ▲69 ❝1 2026-09-30

PhysVista: Benchmarking Physical Intelligence in VLMs via a Perception-Reasoning-Assessment Loop

PhysVista 通过“感知-推理-判断”闭环评测视觉语言模型的物理常识与判断能力。

university of science and technology of china · Xinge Peng, Yiting Lu, Tianwu Zhi +4

多模态评测与数据推理 arXiv HF

#283 ▲35 ★29 ❝0 2026-10-16

RAP: A Dataset for Paper-to-Poster Generation via Declarative Markup from Human-Crafted Exemplars

RAP 数据集收录 2.5 万多对论文与海报，把海报还原成可渲染比对的 HTML/CSS，用于论文转海报生成。

meituan · Haonan Han, Yukang Lin, Minliang Lin +7

评测与数据代码与软件工程 arXiv 代码 HF

#288 ▲33 ★12 ❝0 2026-10-16

Execution Before Memory: Diagnosing Memory Failures in Video World Models

MIST 评测把“是否执行了指令”与“是否记住”分开，发现视频世界模型的瓶颈多在执行而非记忆。

The University of Hong Kong · Weiyang Jin, Jiwen Yu, Sihan Xu +2

评测与数据视觉生成 arXiv 代码 HF

#290 ▲37 ★7 2026-10-19

AnyGoal: On World Model Generalization Beyond Expert Rollouts

AnyGoal 基准测试世界模型能否组合已见过的状态和动作因素，发现现有模型在这类重组上普遍失败。

galilai-group · Heejeong Nam, Divyat Mahajan, Quentin Le Lidec +2

评测与数据智能体 arXiv 代码 HF

#291 ▲24 ★11 ❝0 2026-10-20

MMEnterprise-Bench: Evaluating Enterprise Agents over Evolving Multimodal Records

MMEnterprise-Bench 含 1613 道题，基于不断修订的企业多模态记录，考察证据推理、冲突消解和拒答。

机构待核实 · Seohyun Lee, Jongha Kim, Dohwan Ko +4

评测与数据智能体 arXiv 代码 HF

#296 ▲28 ★3 ❝0 2026-10-19

AdaExploreBench: Benchmarking LLM Agents for Proactive Exploration and Test-time Adaptation in Evolving Environments

AdaExploreBench 用隐藏且会悄悄变化的规则，测试智能体能否主动探索并在测试时自我调整。

HKUST · Rui Wang, Zishen Lai, Jiayu Liu +15

评测与数据智能体 arXiv 代码 HF

#298 ▲26 ★4 ❝0 2026-10-09

APEX-Harm: Evaluating Agent Safety in Shared Professional Workspaces

APEX-Harm 在含上百个文件的共享工作区里，测试金融、咨询、法律 Agent 抵御提示和脚本注入的能力。

King Abdullah University of Science and Technology · Ziyi Yang, Adel Bibi, Guohao Li +2

安全与可解释智能体评测与数据 arXiv 代码 HF

#300 ▲21 ★9 ❝0 2026-09-24

IndicBankBench: Evaluating Safety and Reliability of Language Model Assistants in Indian Retail Banking

IndicBankBench 用 799 个印度零售银行案例，分阶段评估银行助手的安全、工具调用和回答质量。

National Payments Corporation of India · Suvradip Paul, Chandra Bhushan, Harsh Sharma +4

安全与可解释评测与数据 arXiv 代码 HF

#301 ▲34 ❝0 2026-10-14

Interlock: From Local Correctness to Task Completion in Long-Horizon Agents

Interlock 把任务表示为“完成图”，合成能检查各环节是否真正闭环的长程智能体任务和评分规则。

LongCat · Linji Hao, Yanji He, Zihan Wang +6

智能体评测与数据 arXiv HF

#303 ▲33 ❝0 2026-10-16

MTEdit: Packed Trajectories Beat Rollouts for Multi-Turn Image Editing

MTEdit 用“打包轨迹画布”一次生成多个编辑状态，构建 50 万条多轮图像编辑数据和配套评测。

SenseNova · Houyuan Chen, Fanzhou Wang, Xiangyu Fan +8

视觉生成评测与数据 arXiv HF

#306 ▲23 ❝0 2026-09-24

Where Does Retrieval-Based Open-Ended Evaluation Fail? Automatic Taxonomy Induction from Long-Form Medical Answer Factuality Verification

为医疗长答案的事实核查建立错误分类体系，找出基于检索的评测在哪里失效。

Center for Language and Speech Processing @ JHU · Heyuan Huang, Jirui Dai, Alexandra DeLucia +5

AI for Science 评测与数据 arXiv HF

更早（归档） 2

▲82 ★216 ❝0 2026-09-18

OmniVChat: Synthesizing, Benchmarking, and Training for Native Audio-Visual Dialogue

定义“原生音视频对话”任务，并配套合成数据、评测基准和训练方法。

Qwen · Haolin He, Yunfei Chu, Qi Chen +15

多模态评测与数据 arXiv 代码 HF

▲81 ★108 ❝1 2026-09-18

RecreationWorld: Scalable and Verifiable Environments for Hybrid Computer-Use Agents

RecreationWorld 让电脑操作 Agent 观察一个运行中的软件并在五个平台上重新实现它，可复现可验证。

Qwen · Shuai Bai, Jiayong Deng, Sicheng Fan +30

智能体代码与软件工程评测与数据 arXiv 代码 HF

在归档中检索该主题 →