CoffeeBench: Benchmarking Long-Horizon LLM Agents in Heterogeneous Multi-Agent Economies

• 类型：arxiv
• 标识：2606.16613
• 链接：https://arxiv.org/abs/2606.16613
• 主分类：agent
• 形态：benchmark
• 被引：6
• 被引来源：Semantic Scholar
• S2被引：6
• OpenAlex被引：0
• 影响力被引：0
• TLDR：Analysis of agent behavior reveals substantial differences in long-horizon economic interaction: higher-performing models communicate more actively with other firms, whereas Claude~Haiku~4.5 exhibits an idle-drift failure mode, repeatedly choosing inaction despite producing coherent assessments and plans.
• OpenAlex ID：W7164882062
• OpenAlex DOI：10.48550/arxiv.2606.16613
• DOI：10.48550/arxiv.2606.16613
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2606.16613
• OpenAlex更新：2026-07-19
• 副分类：evaluation
• 待LLM分类：否
• 标题中文：CoffeeBench：面向异构多 Agent 经济中的长视野 LLM Agent 基准测试
• TLDR中文：对 Agent 行为的分析揭示了长视野经济交互中的显著差异：表现更好的模型与其他企业的沟通更为活跃，而 Claude Haiku 4.5 则表现出 idle-drift 失效模式，在生成连贯评估与规划的同时仍反复选择不行动。
• 来源文件：
• /inbox/tom/_candidates/2026-06-29-agent-memory-tool-use-candidates.json
• /inbox/tom/_candidates/2026-06-28-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]