研究:协调模型强弱不等于工作流有效
Einsia团队在WorkflowArena基准中让Opus 5.5与GPT-6 Astra为四个执行模型编写32项任务的静态工作流。Opus的工作流使执行模型连续得分平均提升6.41分,Astra的工作流反而降低2.53分,尽管Astra在主基准中更强。该基准覆盖8个领域145个长周期任务,结论是选协调者不能只看其自身任务表现。
AI 日报收录的 WorkflowArena 相关报道,共 1 篇,按时间倒序,每小时更新。
Einsia团队在WorkflowArena基准中让Opus 5.5与GPT-6 Astra为四个执行模型编写32项任务的静态工作流。Opus的工作流使执行模型连续得分平均提升6.41分,Astra的工作流反而降低2.53分,尽管Astra在主基准中更强。该基准覆盖8个领域145个长周期任务,结论是选协调者不能只看其自身任务表现。