GAIA 上的脚手架效应：一项受控比较研究

本研究在受控条件下，对比了三种脚手架（ReAct、多智能体规划器 - 执行者 - 评估器、规划后执行）在五个主流模型上对 GAIA 基准测试性能的影响。结果显示，仅脚手架选择即可导致同一模型准确率波动高达 28%，证实了脚手架差异显著影响能力评估。研究发现，更强模型在复杂任务中从结构化脚手架获益更多，且多智能体优势仅限于特定模型家族。结果表明，单一脚手架得出的能力评分具有条件依赖性，随着模型进步，这种激发差距未必缩小。