Newest papers

Bridging Foundational and Agentic Capabilities of LLMs

Wei Guo, Yuanjian Xu, Jianing Hao, Yongyao Duan, Ran Chen, Zhong Li, Guang Zhang · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.29751 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các mô hình ngôn ngữ lớn (LLMs) ngày càng được triển khai như các đại lý, nhưng vẫn không rõ làm thế nào khả năng cơ bản của họ chuyển thành khả năng đại lý. Điểm điểm cuối đến cuối không được giải quyết cho dù khả năng tham chiếu thấp hoặc triển khai yếu dẫn đến thất bại, hạn chế chẩn đoán có thể hành động. Chúng tôi cầu nối các khả năng cơ bản và đại lý thông qua một khuôn khổ đo lường cấp hoạt động. Chúng tôi đại diện cho mỗi mô hình với một hồ sơ cơ bản có nguồn gốc từ các điểm tham chiếu khả năng và một hồ sơ hoạt động có nguồn gốc từ các quỹ đạo tương tác, và xác định khoảng cách thực hiện khả năng là sự lệch của hiệu suất quan sát từ các dự đoán dựa trên khả năng cơ bản. Các thí nghiệm trên mô hình dịch vụ năm mươi trong $^2$-Bench cho thấy rằng các hồ sơ cơ

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

Abstract

Large language models (LLMs) are increasingly deployed as agents, yet it remains unclear how their foundational capabilities translate into agentic capabilities. End-to-end scores leave unresolved whether low benchmark capability or weak deployment drives a failure, limiting actionable diagnosis. We bridge foundational and agentic capabilities through an operation-level measurement framework. We represent each model with a foundational profile derived from capability benchmarks and an operation profile derived from interaction trajectories, and define capability realization gaps as deviations of observed operation performance from predictions based on foundational capabilities. Experiments on fifteen model services in $τ^2$-Bench show that foundational profiles only partially predict agentic operations. Models with comparable profiles can differ substantially in execution, and these gaps remain consistent across task subsets. Operation profiles add information and substantially improve task-score prediction. The framework locates execution departures at the operation level to inform model development and agent evaluation. We will release our code and analysis artifacts.

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

Topics: Bridging (networking), Limiting, Computer science, Bridge (graph theory), Software deployment, Task (project management)

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