policy-reasoning

#policy-reasoning

MetroLLM-Bench：评估语言模型作为公交亭运行时

Hugging Face Daily Papers ↗ · 2026-09-09 缓存

MetroLLM-Bench是一个包含955个案例的基准测试，用于评估语言模型作为公交亭策略层的性能，结果显示，经过微调的小型模型可以在结构化工具使用和票价报价任务上与大型模型相媲美。

0 人收藏 0 人点赞