BenchAgent比较六种多智能体工作流与单智能体基线精度与成本

Yuhang Fu 等提出评测框架 BenchAgent，并基于论文摘要比较六种使用 GPT-4.1 的多智能体工作流与单智能体基线 BenchAgent Core 在十项推理、编码和工具使用基准上的表现。结果显示，EvoAgent 平均汇总准确率为 79.70%，高于 Core 的 76.65%，且三次运行均领先；其余五种工作流比 Core 低 1.71 至 8.76 个百分点。 实验中每个配置每次运行评估 3,302 个实例，重复三次；所有配置使用 GPT-4.1 和统一的工具与评分接口，Core 执行共享相同步数上限，同时记录准确率与 token 开销。

AI 根据报道生成 · 3 小时前更新