PredActBench 基准发布及教育场景评测结果
热点事件持续更新
PredActBench 基准发布及教育场景评测结果
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
Abdulrahman AlRabah 等团队发布 PredActBench 基准，用于评测 LLM 智能体在工具存在统计误差时的对话表现。该基准包含 60 门课程的 PredAct-CS 数据集，并评估了 13 个 LLM 及 13 名教师。 评测结果显示，当工具噪声较大时，最强基线 GPT-5.5 的 F1 分数仅为 57.2。研究团队称，模型很少向用户展示预测不确定性，导致用户过度依赖错误预测。
AI 根据报道生成 · 2 小时前更新
最新进展11月3日 13:00
PredActBench：在受控工具噪声下评测工具增强对话报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv cs.CLPredActBench：在受控工具噪声下评测工具增强对话
研究团队发布 PredActBench 基准，用于评测 LLM 智能体在工具存在统计误差时的对话表现。该基准包含 60 门课程的 PredAct-CS 数据集，并评估了 13 个 LLM 及 13 名教师。结果显示，当工具噪声较大时，最强基线 GPT-5.5 的 F1 分数仅为 57.2，且模型很少向用户展示预测不确定性，导致用户过度依赖错误预测。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。