标签
微软研究院的新研究通过比较动作轨迹而非最终答案，来衡量使用工具的智能体的跨语言策略保留率。在去除五个混淆因素后，四个前沿模型在跨语言条件下保留了71%–73%的动作策略，并发布了代码和238万次rollout数据。