为什么重要
MINT 强调多轮交互——Agent 在使用工具后观察结果，调整策略，处理错误。这比单轮工具调用更接近真实的 Agent 工作方式。
构建方式
- 收集需要多轮工具交互的任务
- 涵盖数学求解（Python）、知识推理（Wikipedia API）、表格操作（SQL）
- 模拟多轮交互过程
任务示例
任务：计算某个复杂数学表达式的值 Agent 交互：写 Python → 执行 → 发现错误 → 修改 → 重新执行 → 得到结果
关键发现
- 多轮交互中错误恢复能力差异巨大
- 最优模型平均需 3-4 轮交互完成任务
- 工具选择错误比工具使用错误更致命
关联基准
- InterCode：交互式代码执行
- ToolBench：工具使用
- AgentBench：综合 Agent
不足与展望
- 任务范围有限（三类工具）
- 多轮上限固定可能限制表现
- 但多轮交互评测理念重要