语言模型智能体的探索与利用错误可被量化测量

研究者设计部分可观测 2D 网格地图与未知符号任务 DAG，提出一种与策略无关的指标来检测无效遍历并区分探索错误与利用错误。在可控难度的地图和任务上评测 35 个前沿 LM 智能体，发现即使 SOTA 模型也难以在步数预算内达成目标，探索与利用错误的 log 值与任务成功率强相关（R² 分别为 0.885 和 0.875）。