🤖对单个代理性能进行基准测试 人们对多智能体系统非常感兴趣。为了激发人们对这些系统的需求，我们为**单个智能体**制定了一些基准，试图了解性能在什么时候开始下降。 经验： 📉更多背景信息和更多工具都会降低代理绩效 ⛓️需要更长轨迹的代理退化得更快 🥇 o1、o3-mini 和 claude-3.5 sonnet 与 gpt-4o 和 llama-3.3-70B 相当，但属于不同的级别 * ⃣ o3-mini 在上下文较小的情况下表现与 o1 和 claude-3.5-sonnet 一样好，但随着上下文的增加，性能会急剧下降 编程严选网 程序员 gpt4 人工智能
