行业与实践 · 研究与基准测试

研究与基准测试/2026-07-02/8 分钟

行程完全做对最多 35%：阿里用可核验约束测长程规划

阿里 DeepPlanning 用离线沙箱测长程规划：旅行 120 题中英各一套，购物 120 题。最好的 GPT-5.2-high 旅行综合分 85.8，完全做对只有 35.0%。旅行分先经过 Qwen-Plus-2507 解析。