微軟研究人員發現AI模型和智能體無法處理長時間運行的任務

微軟研究人員進行的一項新研究表明，當前的大語言模型（LLM）在執行多步驟工作流時會產生嚴重錯誤，即使是前沿模型在20次交互中平均丟失25%的文檔內容。研究提出了DELEGATE-52基準測試，覆蓋52個專業領域，發現只有Python編程領域達到“就緒”閾值。使用工具以智能體方式運行模型反而導致性能更差。