RuleTrek基准发布：复杂场景下LLM智能体规则推理仍偏弱

Chenhao Yuan 等作者发布多领域基准 RuleTrek，用于评测 LLM 智能体在复杂、多文件场景中的规则推理能力，覆盖规则识别（RI）、规则推演（RD）和端到端规则推理（E2E）三项任务，并开源了代码与数据集。 对 11 个前沿 LLM 的实验显示：RI 最高分仅 62.47%，RD 最高分 60.43%，E2E 得分在 26.97%–55.29% 之间，表明当前模型在端到端规则推理上仍有明显差距。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。