AgentProcessBench：诊断工具使用型 Agent 的步骤级过程质量

大型语言模型虽已演变为工具使用型 Agent，但在长程交互中仍显脆弱。不同于数学推理，工具使用失败常导致不可逆副作用，使得步骤级验证至关重要。现有基准多局限于封闭数学领域，无法捕捉工具执行的动态性。为此，本文提出 AgentProcessBench，首个评估真实工具增强轨迹中步骤有效性的基准。该基准包含 1000 条多样化轨迹及 8509 个人类标注步骤，采用三元标签方案捕捉探索行为，并引入错误传播规则以减少标注歧义。实验表明，过程信号能显著补充结果监督，提升测试时扩展能力。