Agent Planning Benchmark：面向LLM智能体规划能力的诊断框架

APB 用 4,209 个案例单独诊断智能体的规划能力。

资讯摘要

论文提出 Agent Planning Benchmark（APB），一个专门诊断 LLM 智能体规划能力的基准，包含 22 个领域、五种设置下的 4,209 个多模态案例，覆盖整体规划、带反馈的逐步规划，以及多余工具、损坏工具和不可解任务下的鲁棒性。作者报告，12 个 MLLM 在长程规划、工具噪声鲁棒性、校准拒答和推理时改进上存在系统性弱点；并在 200 个 ToolSandbox 任务和 200 个 τ²-bench 任务上验证，APB 引导的改进可提升三个代表性模型的规划正确性、规划评分和下游执行指标。

要点速读

1. APB 含 4,209 个多模态案例，覆盖 22 个领域和五种规划设置。
2. 作者报告 12 个 MLLM 在长程规划、工具噪声鲁棒性、校准拒答与推理时改进上存在系统性弱点。
3. 在 200 个 ToolSandbox 与 200 个 τ²-bench 任务上，APB 引导的改进提升了三个代表性模型的规划与执行指标。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/29 08:00:21（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。