研究者发布多智能体协作决策基准TandemBench

Baohang Li 等作者提出并发布多智能体协作决策基准 TandemBench，包含 1200 道多智能体烹饪场景问题，用于评测决策模型在团队分工与并行行动上的选择能力。 评测覆盖 40 个原生决策模型与 10 个通用大语言模型。最佳原生决策模型的决策准确率为 62.50%，但在最优性验证上接近随机水平。 配对测试显示，部分模型无论是否已给出最优方案，都会声称存在更优替代，作者据此指出单看决策准确率会掩盖系统性判断错误。

AI 根据报道生成 · 53 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。