蚂蚁国际发布 BizBench:前沿模型常违反业务约束
ant-intl · hf · 2026-10-19
蚂蚁国际与北大发布 BizBench，用真实支付业务流程评测长程商业 agent 的中间执行有效性，可执行环境整合 789 份知识文档与 601 个业务工具，含 50 个涉及资源约束、时间依赖、先前承诺与冲突/过时指引的多轮任务。发现前沿模型即便部分达成目标，也频繁违反约束——这在支付等高风险场景会带来资金损失或监管后果。
「编程与Agent」频道最新
- 「祈祷式编程」走红:AI 编码时代的自嘲新梗 — lxfater · 2026-10-19
- 开发者自嘲:复杂 AI 工作流里自己成了「人类 API」 — jacalulu · 2026-10-19
- 用 Claude Code 给父母电视去广告：删 25 个内置包重写启动器 — HarperSCarroll · 2026-10-19
- Sentry 联创的 AI 写作法:口述成稿,大纲交给模型,文字自己写 — lmoroney · 2026-10-19
- UCSD 发布 CarryOn:面向长程 Agent 的面向对象上下文运行时 — McAuley-Lab · 2026-10-19
- 腾讯清华 TreeOPSD:无 Critic 实现长程 Agent 强化学习 — Tencent-Hunyuan · 2026-10-19