CLASHarness：通过可控、可验证的生成流程评测计算机操作中的多智能体冲突
CLASHarness 是一个框架，用于为计算机操作多智能体系统生成可验证的冲突场景。其基准包含 600 个多轮任务，通过受控生成和自动检查确保任务均可解决。对 15 款领先模型的评测发现，较弱的模型更容易听从子智能体的误导性报告，而不是核实真实环境。发现冲突比修正系统状态容易；即使是前沿模型，也常在最后的协调环节失败，例如未释放共享资源或未完成任务交接。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。