获取独家产品信息，尽享促销优惠！立即订阅，不容错过
* 限···时··优惠
MMAU: A Holistic Benchmark of Agent Capabilities Across Diverse Domains
大语言模型（LLM）的最新进展增加了对评估其像人类代理能力的全面基准测试的需求。现有的基准测试虽然有用，但通常专注于特定的应用程序方案，强调任务完成，但未能剖析推动这些结果的基本技能。这种缺乏粒度使很难深深地辨别出失败的位置。此外，设置这些环境需要大量的努力，有时会出现不可靠性和可重复性的问题，尤其是在交互式任务中。到…
