智能体与 LLM 系统 · 论文 · 第 2 组

返回论文全景索引

本分块共 21 条，稳定上限为 100 条。

论文	Slug	难度	可信状态	简介
SWE-Agent — Princeton SWE-bench 解法	swe-agent	unknown	UNVERIFIED	暂无独立描述；可先从标题与正文定位开始。
SWE-bench — 真实 GitHub Issue 评测	swe-bench	unknown	UNVERIFIED	暂无独立描述；可先从标题与正文定位开始。
SWE-Bench-CL — coding agent 不能只刷静态题	swe-bench-cl	intermediate	UNVERIFIED	用 SWE-Bench-CL 理解软件工程 agent 的持续学习、迁移和灾难性遗忘
SWE-Skills-Bench — Agent 技能真的帮得上软件工程吗	swe-skills-bench-2026	intermediate	UNVERIFIED	用 paired evaluation 衡量 SWE skills 对真实软件工程 agent 的边际收益和 token 成本
Terminal-Bench — 在真实命令行任务里测试 agent	terminal-bench	intermediate	UNVERIFIED	用 Terminal-Bench 理解终端环境为什么能暴露 agent 的长程执行、环境理解和验证能力
ToolBench-X — 工具会坏时，agent 还能不能把事做完	toolbench-x	intermediate	UNVERIFIED	用 ToolBench-X 理解 tool-use benchmark 为什么要模拟规格漂移、调用错误、执行失败和结果冲突
Toolformer — 教 LLM 自主调用 API	toolformer	unknown	UNVERIFIED	暂无独立描述；可先从标题与正文定位开始。
ToolLLM — 用 16000+ API 训练模型进入真实工具世界	toolllm-2023	intermediate	UNVERIFIED	用 ToolLLM 理解大规模 API 数据集、工具检索和工具评测如何支撑 agent
ToolSandbox — 状态化对话工具调用评测	toolsandbox	intermediate	UNVERIFIED	用 ToolSandbox 理解为什么工具调用 agent 需要测状态依赖、信息不足和多轮用户反馈，而不是只测单轮函数参数
ToxiGen — 用生成模型造隐性仇恨测试集	toxigen-2022	intermediate	UNVERIFIED	用 ToxiGen 理解安全评测为什么要覆盖隐性、对抗性和群体相关文本
Tree of Thoughts — 让 LLM 像下棋一样多想几步再答	tree-of-thoughts-2023	unknown	UNVERIFIED	暂无独立描述；可先从标题与正文定位开始。
TruthfulQA — 专门问模型容易学人类谬误的问题	truthfulqa-2021	intermediate	UNVERIFIED	用 TruthfulQA 理解语言模型为什么会模仿常见假话而不是坚持事实
UL2 — 一个模型同时练完补空、续写和长文本	ul2-2022	advanced	UNVERIFIED	用 UL2 理解 mixture-of-denoisers 如何统一不同语言模型训练范式
VeriCache: Turning Lossy KV Cache into Lossless LLM Inference — 有损压缩草稿，无损输出验收	vericache	unknown	UNVERIFIED	暂无独立描述；可先从标题与正文定位开始。
VisualWebArena — 让网页 agent 真正看见界面	visualwebarena	intermediate	UNVERIFIED	用 VisualWebArena 理解多模态 web agent 为什么不能只读 DOM 文本，还要处理视觉线索
Voyager — LLM 终身学习智能体	voyager	unknown	UNVERIFIED	暂无独立描述；可先从标题与正文定位开始。
WebArena — 可复现的真实网页 agent 环境	webarena	intermediate	UNVERIFIED	用 WebArena 理解为什么 web agent 需要功能性网站、真实状态和可验证任务，而不只是静态网页问答
WebGPT — 让模型带着浏览器回答问题	webgpt-2021	intermediate	UNVERIFIED	用 WebGPT 理解检索、引用和人类偏好如何组合成可追溯问答
WebXSkill — 给 Web agent 的可执行 skill 是参数化代码 + URL 图索引	webxskill	unknown	UNVERIFIED	暂无独立描述；可先从标题与正文定位开始。
WizardLM — 用 Evol-Instruct 自动变难训练题	wizardlm-2023	intermediate	UNVERIFIED	用 WizardLM 理解 instruction 数据不只要多，还要逐步变复杂
Zombie Agents — 自进化 agent 的长期记忆能被持久化”借尸还魂”	zombie-agents-2602	unknown	UNVERIFIED	暂无独立描述；可先从标题与正文定位开始。

上一组