ReLiveGym：在数周回放的真实数据流中评测长周期智能体

研究人员推出长周期任务评测环境 ReLiveGym，用于评测大语言模型智能体在数周回放的新闻、市场与社交媒体真实数据流中的稀疏行动表现。基于 8 款基础语言模型的测试显示，决定行动时机的 harness 设计与模型选择直接影响智能体表现，且最优方案因任务而异。研究还评测了后验反馈对改善长周期任务失败模式的作用。