Alibaba проверяет ИИ-агентов на умение укладываться в бюджет

Команда Alibaba выпустила DeepPlanning - бенчмарк для оценки ИИ-агентов в долгосрочном планировании. Тест проверяет способность работать с жесткими временными и финансовыми ограничениями. Это не пошаговое рассуждение, а глобальная оптимизация всего плана.

Бенчмарк включает два сложных домена. Первый - планирование многодневных путешествий с поминутным расписанием. Второй - сложный шопинг с комбинированием купонов. Каждая задача имитирует реальную среду с API для сбора информации.

https://mltimes.ai/alibaba-proveryaet-ii-agentov-na-umenie-ukladyvatsya-v-byudzhet/