标签
论文提出 SearchHorizonBench，一个用于评估 AI 智能体从执行经验中估计搜索价值的基准数据集，包含 45,632 次执行记录，发现历史校准可将 Brier 误差降低 16.2%，但历史估计器仅能解释不到 2% 的搜索增益方差。