惊人的智能体竞赛：强大的工具使用者，薄弱的导航者

现有大语言模型智能体的工具使用基准测试多为线性结构，缺乏复杂性。本文提出“惊人的智能体竞赛”（AAR）基准，包含具有分叉 - 合并结构的有向无环图（DAG）谜题。该基准涵盖 1400 个实例，要求智能体导航维基百科、执行多步工具链并聚合结果。评估显示，最佳智能体准确率仅 37.2%，主要失败原因在于导航错误而非工具调用错误。研究表明，现有线性基准掩盖了智能体在复杂路径规划上的缺陷，且架构设计与模型规模同等重要。