AgentProcessBench: 도구 사용 에이전트의 단계별 프로세스 품질 진단

AgentProcessBench: Diagnosing Step-Level Process Quality in Tool-Using Agents

대규모 언어 모델(LLM)이 도구 사용 에이전트로 발전함에 따라, 장기적인 상호작용에서 여전히 취약점을 드러냅니다. 수학적 추론에서는 오류가 종종 되돌리기를 통해 수정될 수 있지만, 도구 사용 실패는 종종 되돌릴 수 없는 부작용을 초래하므로 정확한 단계별 검증이 매우 중요합니다. 그러나 기존의 프로세스 수준 벤치마크는 주로 폐쇄된 수학적 영역에 국한되어 있으며, 도구 실행의 역동적이고 개방적인 특성을 제대로 반영하지 못합니다. 이러한 격차를 해소하기 위해, 우리는 현실적인 도구 활용 시나리오에서 단계별 성능을 평가하는 데 특화된 최초의 벤치마크인 AgentProcessBench를 소개합니다. 이 벤치마크는 1,000개의 다양한 시나리오와 8,509개의 인간이 직접 라벨링한 단계별 주석으로 구성되며, 89.1%의 높은 일관성을 보입니다. 또한, 탐색 과정을 포착하기 위한 3분류 라벨링 방식과 라벨링의 모호성을 줄이기 위한 오류 전파 규칙을 특징으로 합니다. 광범위한 실험을 통해 다음과 같은 중요한 통찰력을 얻었습니다. (1) 성능이 낮은 정책 모델은 조기 종료로 인해 올바른 단계의 비율이 과장되는 경향이 있습니다. (2) 현재 모델에게는 중립적인 행동과 오류가 있는 행동을 구별하는 것이 여전히 중요한 과제입니다. (3) 프로세스에서 파생된 신호는 결과 감독에 보완적인 가치를 제공하며, 테스트 시간 성능을 크게 향상시킵니다. 우리는 AgentProcessBench가 보상 모델 연구를 촉진하고, 보다 일반적인 에이전트 개발의 길을 열어줄 수 있기를 바랍니다. 코드와 데이터는 https://github.com/RUCBM/AgentProcessBench 에서 확인할 수 있습니다.

While Large Language Models (LLMs) have evolved into tool-using agents, they remain brittle in long-horizon interactions. Unlike mathematical reasoning where errors are often rectifiable via backtracking, tool-use failures frequently induce irreversible side effects, making accurate step-level verification critical. However, existing process-level benchmarks are predominantly confined to closed-world mathematical domains, failing to capture the dynamic and open-ended nature of tool execution. To bridge this gap, we introduce AgentProcessBench, the first benchmark dedicated to evaluating step-level effectiveness in realistic, tool-augmented trajectories. The benchmark comprises 1,000 diverse trajectories and 8,509 human-labeled step annotations with 89.1% inter-annotator agreement. It features a ternary labeling scheme to capture exploration and an error propagation rule to reduce labeling ambiguity. Extensive experiments reveal key insights: (1) weaker policy models exhibit inflated ratios of correct steps due to early termination; (2) distinguishing neutral and erroneous actions remains a significant challenge for current models; and (3) process-derived signals provide complementary value to outcome supervision, significantly enhancing test-time scaling. We hope AgentProcessBench can foster future research in reward models and pave the way toward general agents. The code and data are available at https://github.com/RUCBM/AgentProcessBench.