标签
AgentWorld引入了一个基准测试，用于评估多智能体LLM系统中的长期协作，包含100个任务和一个新的因果协作有效性指标。实验表明，即使顶级模型也仅实现52%的任务成功率，突出了诸如通信故障等失败模式。