Today for AI
返回热点榜
llm热度 16.0°

AI 聚合热点事件 · 2026/11/9

斯坦福与 DeepMind 提出 TURTLE 自动进化工具调用基准

1 篇收录报道1 家独立信源交叉印证持续跟踪至 2026/11/9 07:36:48
全景综述与最新动态
1 家信源交叉印证

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%。

最新动向/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%。

逐小时热度走势

2 个完整观测小时
连续完整观测不足 3 个小时，暂不绘制趋势曲线。

报道时间线

共 1 篇 · 最新优先
  1. Rohan Paul (@rohanpaul_ai)T2·78 分

    斯坦福与 DeepMind 提出 TURTLE 自动进化工具调用基准

    原标题：New Stanford and Google DeepMind paper shows that you can turn too-easy tool-use benchmarks into har...

    • TURTLE 用 AlphaEvolve 变异现有任务，而非从零构建新基准，降低人工成本
    • 以约 50% 求解成功率为难度目标，并保证每个任务至少被解出一次
    • 进化后任务难度显著提升，LLM 评审认定困难任务占比从 19.8% 升至 52.5%