发布ATLAS-Bench本地生活搜索Agent基准，GPT-6-Luna居首

论文作者在 arXiv 发布 ATLAS-Bench，一个评估 LLM 智能体本地生活搜索能力的基准，包含基于平台真实搜索事件构建的 1,200 条查询，覆盖三个地区，并配套带搜索工具和固定 POI 知识库的标准化评测环境 ATLASBox。 每条查询区分强制性要求与偏好、事实条件与主观评价，并附核对每项要求的证据和标准。作者对 11 个模型的 14 种配置进行了评测，称 GPT-6-Luna 在返回推荐中的约束满足率（71.5%）和事实准确率（95.6%）均为最高。

AI 根据报道生成 · 59 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。