阿里Qwen：长程智能体规划评估

这项研究介绍了 DeepPlanning，这是一个专门用于评估大语言模型（LLM）长程智能规划能力的全新基准测试。研究团队指出，现有的测试往往只关注简单的单步推理，而忽视了真实场景中复杂的全局约束优化和主动信息获取。该基准涵盖了多日旅游规划和多商品购物两大任务，要求智能体在处理具体细节的同时，必须兼顾总预算和时间跨度等整体限制。实验结果显示，即便是目前最顶尖的推理模型在应对这些严苛挑战时依然表现乏力。通过对错误模式的深入分析，该论文为未来提升智能体在复杂环境下的执行效率与逻辑严密性指明了方向。