Rohan Paul (@rohanpaul_ai)T2·基座大模型
78 分
斯坦福与 Google DeepMind 的新论文提出 TURTLE 方法：利用 AlphaEvolve 对 AppWorld 等已饱和的工具调用任务进行变异，加入过滤条件、额外步骤与隐藏查询，并以求解模型约 50% 成功率作为难度目标。实验显示，Gemma 4 31B-it 原本能稳定解出 69% 的原始任务，而进化后的 735 个任务几乎都落在 40%-60% 完成率区间，LLM 评审认为 52.5% 的新任务属于困难级别，远高于原任务的 19.8%。