STT-Arena：一个更具真实感的时空动态工具使用环境

针对现实应用中代理需应对任务中断并重新规划的挑战，本文提出 STT-Arena 基准。该基准包含 227 个高质量交互任务，涵盖九类时空冲突，旨在评估模型在时空动态变化下的自适应重规划能力。实验显示现有顶尖模型准确率不足 40%，主要存在状态滞后、误判触发器及缺乏验证等错误模式。基于此，作者提出迭代轨迹优化技术并结合在线强化学习，构建了 STT-Agent-4B，其性能显著优于现有前沿模型。