AdaExploreBench 发布：LLM 智能体主动探索与规则漂移适应平均仅 61.9%

一句话看懂：Hugging Face Papers 收录的新论文提出 AdaExploreBench，用隐藏规则和隐式规则漂移考察 LLM 智能体能否主动探索并自我校正。八款主流模型测试显示，表现最好的 GPT-6 Sol 校准准确率也只有 61.9%，主动探索仍是大模型智能体的明显短板。

事件核心：发生了什么

目前公开信息显示，这篇论文发布于 2026 年 10 月 19 日，作者把环境动态抽象为“隐藏规则”，要求 LLM 智能体主动收集证据、推断规则。更关键的是“隐式规则漂移”：规则变化不会通知智能体，模型必须从性能下降中察觉旧知识失效，并重新探索。测试覆盖八款主流大模型，GPT-6 Sol 校准准确率为 61.9%；当补充充足证据或移除规则漂移后，平均表现提升接近 10 个百分点。

为什么重要

现有评测多在信息充分的条件下考推理，AdaExploreBench 把难点前移到“找证据”和“发现环境变了”。这正好对应 AI 应用落地中的现实问题：工具 API 会改参数、网页结构会变、企业流程会调整，智能体若只会按旧规则执行，错误会被放大。论文给出的判断是，当前模型的瓶颈不在推理能力，而在主动获取正确证据、识别既有知识已经过时。对智能体产品而言，这比再刷高一项常规问答分数更贴近可用性。

对用户/开发者/创作者的影响

开发者若在用大模型搭建自动化 Agent，需要把“证据采集”和“失效检测”设计成独立环节，例如定期校验关键假设、设置性能回退告警，而不是依赖模型一次性推断。企业采购智能体方案时，可追问评测是否覆盖环境变化后的恢复能力。创作者和普通用户则要意识到，AI 应用在陌生或持续变化的任务中仍可能给出看似合理却已过时的答案，关键流程保留人工复核仍有必要。