**LongDS-Bench：关于长周期智能体数据分析的失败**

_LongDS-Bench: On the Failure of Long-Horizon Agentic Data Analysis_

> 现实世界数据分析是迭代的，现有基准测试大多评估孤立或短交互任务。我们引入LongDS，一个长周期多轮数据分析基准，要求智能体维护、更新、恢复和组合演化分析状态。包含68个任务，2225轮，平均依赖跨度11.3轮。评估五个模型，最佳准确率仅48.45%，从早期到后期准确率下降近47%，长周期错误占52%-69%。更多步骤不一定提高性能，关键在于维护正确的分析状态。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-01 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.30434)