标签
本文介绍了AISE-Bench，一个包含1,133个问答对的精选基准，用于评估LLM智能体在学术知识图谱上的多步API规划和基于源的可信摘要。该基准显示，即使是最强的模型也仅达到中等性能，凸显了步骤正确性和可追踪推理方面的挑战。