The study introduces PsyAgentBench, a benchmark that re-runs classic psychology experiments on large language model agen...

The study introduces PsyAgentBench, a benchmark that re-runs classic psychology experiments on large language model agents with a factorial design that varies paradigm labeling, task framing, and persona.Source: arXiv cs.CLhttps://arxiv.org/abs/2609.22090#MachineLearning

Read Original

Related

Mastodon discussion 20m ago

Профили критических сбоев ИИ-агентов с функцией вызова с реальным эффектом: DeepSeek V4 Pro и Gemini 3.8 FlashИсследован...

Профили критических сбоев ИИ-агентов с функцией вызова с реальным эффектом: DeepSeek V4 Pro и Gemini 3.8 FlashИсследование поведения ИИ-агентов с вызовом функций, имеющих реальный ...