基准
AppWorld
一个用于评估LLM智能体在复杂多应用场景中执行任务能力的基准测试，模拟真实App操作环境，考察智能体在多步工具调用中的完成率与效率
时间轴 (近 90 天)
10月28日
论文在GoBrowse、ALFWorld、AppWorld和τ-bench四个智能体基准上评估了GEPA-Curator。
待验证50%
10月15日
CoPE 在五个基准上进行了验证：ALFWorld、ScienceWorld、WebShop、τ²-bench 和 AppWorld。
待验证50%
9月24日
在AppWorld基准的持续自我改进场景下，JAZ的invoke比ACE高出4%，同时成本更低
待验证50%
9月24日
AppWorld是模拟真实应用操作环境、用于评估智能体持续学习与自我改进能力的学术基准测试
待验证50%
9月11日
在AppWorld基准上，SMC相比SA基线实际运行时间减少7.7%，相比串行执行减少44.9%，任务完成率仅有小幅下降
待验证50%
全部知识事实 (5)
待验证
论文在GoBrowse、ALFWorld、AppWorld和τ-bench四个智能体基准上评估了GEPA-Curator。
50%待验证CoPE 在五个基准上进行了验证：ALFWorld、ScienceWorld、WebShop、τ²-bench 和 AppWorld。
50%待验证在AppWorld基准的持续自我改进场景下，JAZ的invoke比ACE高出4%，同时成本更低
50%待验证AppWorld是模拟真实应用操作环境、用于评估智能体持续学习与自我改进能力的学术基准测试
50%待验证在AppWorld基准上，SMC相比SA基线实际运行时间减少7.7%，相比串行执行减少44.9%，任务完成率仅有小幅下降
50%