Vatche Isahagian

你的智能体这次满分通过，下次还会吗？

IBM Research 给智能体的「一致性」做诊断：GPT-4.1 的 ReAct 智能体在 AppWorld 上平均 77.4% 通过，但五次全过的任务只有 53.0%，差 24.4 个百分点。他们用一次采样找出容易翻盘的决策点、生成一致性准则，把差距砍到 12.0 个点，平均准确率不降。