The Tool Decathlon: Benchmarking Language Agents for Diverse, Realistic, and Long-Horizon Task Execution
工具十项全能:评估语言代理在多样化、真实和长周期任务执行中的基准测试
AI总结 工具十项全能提出了一种新的语言代理基准测试,通过多样化的真实任务和工具评估代理在复杂长周期任务中的表现。
Comments ICLR 2026, Website: https://toolathlon.xyz/