提出 POSTTRAINBENCH 基准,用于评估 LLM 智能体在有限算力(单张 H100 GPU、10 小时)下自主完成大语言模型后训练(post-training)的能力;实验发现前沿智能体虽能取得实质性进展,但整体性能(23.2%)仍显著低于官方指令微调模型(51.1%),不过在特定任务(如 BFCL 上…
机构:ELLIS
来源:arXiv 2603.08640 | AI4Papers 论文推荐平台