OpenBMB 发布 AutoRLBench：10 个智能体调试真实失败的 RL 训练任务
OpenBMB 把 10 个前沿智能体丢到真实的 RL 调试任务里跑分，最强模型也只有约 40% 分数，隐式数据 bug 几乎全挂。做后训练的团队可以看看自己用的模型排第几，也能了解哪些 bug 类型是当前智能体的盲区。
OpenBMB 把 10 个前沿智能体丢到真实的 RL 调试任务里跑分，最强模型也只有约 40% 分数，隐式数据 bug 几乎全挂。做后训练的团队可以看看自己用的模型排第几，也能了解哪些 bug 类型是当前智能体的盲区。
