AdaExploreBench：评测 LLM 智能体在演化环境中的主动探索与测试时适应

AdaExploreBench 提出一个评测基准，用隐藏规则实例化环境动态，要求 LLM 智能体主动获取证据推断规则，并在隐式规则漂移下检测旧知识失效后重新探索。对八个领先 LLM 的实验显示，GPT-6 Sol 校准准确率仅 61.9%；提供充足证据或移除规则漂移可使平均表现提升接近 10%。结果表明智能体能基于有效证据推理，却难以主动获取证据并识别证据何时失效。