trajectory-divergence

本文证明，基于重放的LLM智能体模型切换静态评估存在根本缺陷：在轨迹中途更换模型时，环境与后续动作会与记录的轨迹产生巨大偏差，从而使大多数基准测试结果失效。作者提出分支展开（branching rollouts）作为一种更忠实的评估方法，并公开了其测试框架与轨迹数据。