trajectory-level

本文介绍了Trajel，一个用于审计多智能体工业工作流中轨迹级幻觉的数据集和评估框架，提出了五种幻觉分类法，并表明轨迹感知检测显著优于标准的后验验证。

本文介绍了LEAPBench，一个包含55个任务的框架，用于对迭代科学设计中的LLM进行轨迹级评估。评估显示，基于结果的评分会遗漏效率提升，并且在匹配已发表的最佳设计时，领域无关提示可以优于领域感知提示。