8月7日，来自清华大学、俄亥俄州立大学、加州大学伯克利分校的研究人员们在预印本平台arXiv发表一篇新论文，介绍了一个面向大型语言模型的多维基准测试工具AgentBench。

AgentBench由8个不同的任务组成，可评估大语言模型在多轮开放式生成环境中的推理和决策能力。

研究团队对25个大型语言模型的广泛测试表明，顶级商业大型语言模型在复杂环境中表现出强大的代理能力，但它们与开源竞争对手之间的性能存在显著差异。

根据测试结果，GPT-4表现最佳，Claude和GPT-3.5分居第二、第三名。