Newest papers

StebBench: Diagnosing Real-World Procedural Understanding in AI Agents

Hossein A. Rahmani, Bin Wu, Chaeeun Lee, Fanghua Ye, Sahan Bulathwela, Sujay Kumar Jauhar, Marzieh Fadaee, Nick Craswell, Emine Yılmaz · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.26679 · cited by 0 works (OpenAlex) · open-access PDF

Russian

Оценка способности агента к планированию остается сложной для задач открытого домена, где проверка процедур посредством выполнения часто нецелесообразна. Существующие оценки обычно оценивают только окончательный план и не различают процедурные ошибки, такие как пропущенные, неправильные или неправильные действия. Мы вводим STEPBENCH, бенчмарк из 6885 проверенных процедур, скачиваемых из wikiHow по 81 категории открытого домена. Из каждой процедуры мы получаем 5 диагностических задач: четыре с детерминистскими ответами, связанными с задержанными, неправильными или запутанными шагами, и один, требующий следующего поколения шагов. Мы дополнительно оцениваем генерацию полного плана, чтобы исследовать, как диагностическая производительность коррелирует с действительностью конца на конец плана.

Machine translation (Meta M2M100); the English original follows.

Abstract

Evaluating an agent's planning ability remains challenging for open-domain tasks, where verifying procedures through execution is often impractical. Existing evaluations typically assess only the final plan and do not distinguish procedural errors such as missing, incorrect, or misordered actions. We introduce STEPBENCH, a benchmark of 6,885 verified procedures crawled from wikiHow across 81 open-domain categories. From each procedure, we derive 5 diagnostic tasks: four with deterministic answers involving withheld, incorrect, or shuffled steps, and one requiring next-step generation. We additionally evaluate full-plan generation to examine how diagnostic performance correlates with end-to-end plan validity. Using the same procedures across tasks lets us directly compare different planning capabilities. For generation, STEPEVAL identifies critical failures that prevent goal completion. Across 14 configurations of 12 models, we find substantial differences across planning capabilities, with step ordering proving the most difficult: the strongest model correctly orders only 63.0% of procedures, dropping to 33.1% for those with nine or more steps. Incorrect-step detection also predicts judged plan validity across models, suggesting a lower-cost alternative for evaluating generation quality. On STEPBENCH-Val, comprising 214 procedures published in 2026, comprehension scores and rankings remain stable, suggesting limited influence from memorisation.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Plan (archaeology), Artificial intelligence, Machine learning, Benchmark (surveying), Comprehension

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange