摘要
时间序列数据对现实世界决策至关重要。尽管大语言模型代理能利用工具分析数据，但其在多轮对话中执行可靠时间序列分析的能力尚不明确。现有基准多关注单步任务，忽视了目标演变及基于累积证据得出结论的实际工作流。本文提出 TimeSage-MT，一个涵盖 8 个领域、包含 240 个任务的多轮代理推理基准。通过评估前沿模型及配备技能库的 TimeSage 代理，结果显示在决策导向任务上性能显著下降，主要归因于记忆、不确定性处理及领域决策的失败。该基准揭示了当前代理推理的关键差距。
AI 推荐理由
论文核心是评估 Agent 在多轮对话中的时间序列推理能力，直接针对推理机制。
研究机构
牛津大学
Vapi/Vox Intelligence
格里菲斯大学
埃因霍温理工大学
Squirrel AI Learning
东中国Normal University
论文信息