ICLR审稿质疑智能体任务判定失真

ICLR 2026审稿人质疑一篇研究智能体从错误中恢复的论文，其评测环境要求智能体“把手机放进抽屉”，运行轨迹却出现土豆和盘子，环境仍返回TASKSUCCESS；审稿人据任务判定与实际执行脱节给出2分弱拒。 该论文研究智能体如何从失败或错误中恢复。上述案例由审稿人提出，显示基准测试的成功判定可能只依据预设条件，而未核对场景中实际发生的动作，因此不能直接据此确认论文整体结论无效。

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。