提出Workflow-GYM基准,评估AI代理在专业软件环境中执行长时域GUI任务的能力,实验发现最强模型成功率仅约30%,揭示了当前代理在长时域工作流一致性上的显著局限。
机构:字节
来源:arXiv 2606.11042 | AI4Papers 论文推荐平台