摘要
语言模型智能体在短期孤立任务中表现优异，但在应对现实世界长周期挑战时仍显不足。本文提出 CEO-Bench，通过模拟运营初创公司 500 天的复杂场景，综合评估智能体在不确定环境中导航、噪声信息获取、动态适应及多部分协调的能力。实验表明，即便最先进的模型也难以在该环境中持续盈利，仅少数模型能维持初始资金以上。该基准旨在衡量驱动长期自适应进步所需的智能水平。
AI 推荐理由
论文核心评估 Agent 在长周期、不确定性环境下的战略规划与多任务协调能力。
研究机构
Princeton University
论文信息