论文页面 - VibeLifeBench：你的生活代理能在一个生活世界中保持主动和持久吗？

来源：https://huggingface.co/papers/2608.10875

摘要

一个新的基准测试 VibeLifeBench 评估了在模拟的数周日常任务中的长周期主动代理，结果显示当前前沿模型表现不佳。

大型语言模型（LLM）代理正越来越多地被部署为个人助理。然而，现有评估大多使用静态环境中的短小、自包含请求。日常生活辅助则不同：一项任务运行数周而非数分钟；世界在代理未被提示时不断变化；许多约束从未被明确说明。仅仅回答眼前请求的代理会在这类任务中失败。真正需要的是一种保持主动和一致的代理——它自行决定何时行动、何时询问、何时保持沉默；它能注意到无人宣告的变化；它让一个计划从第一天到最后一天保持连贯。目前没有基准能够衡量这一点。我们推出了 VibeLifeBench (https://huggingface.co/papers?q=VibeLifeBench)，这是一个涵盖十个日常生活领域的 200 个长周期任务基准 (https://huggingface.co/papers?q=long-horizon%20tasks)。每个任务都是模拟世界中 22 个模拟服务 (https://huggingface.co/papers?q=mock%20services) 的脚本化多周时间线。世界按自己的时钟推进，许多变化是静默的，因此只有重新检查世界的代理才能发现它们。每个任务通过细粒度、加权的检查来评分，只读取代理实际留下的痕迹，涵盖最终状态、行动的及时性以及是否遵守隐含约束。我们评估了七个前沿模型 (https://huggingface.co/papers?q=frontier%20models)。它们得分都很低，这表明当前代理距离辅助真实生活还有多远。我们将开源所有任务、环境和评估框架 (https://huggingface.co/papers?q=evaluation%20framework)。

查看 arXiv 页面 (https://arxiv.org/abs/2608.10875)查看 PDF (https://arxiv.org/pdf/2608.10875)项目页面 (https://vibebench.github.io/VibeLifeBench_homepage/)GitHub6 (https://github.com/evolvent-ai/VibeLifeBench)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2608.10875)

在您的代理中获取这篇论文：

hf papers read 2608\.10875

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用此论文的模型0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2608.10875 以从本页链接它。

引用此论文的数据集0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2608.10875 以从本页链接它。

引用此论文的 Space0

没有 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2608.10875 以从本页链接它。

包含此论文的收藏集0

没有收藏集包含此论文

将这篇论文添加到收藏集 (https://huggingface.co/new-collection) 以从本页链接它。