RuleTrek：复杂场景下智能体规则推理基准发布

多领域基准 RuleTrek 用于评估复杂场景下的智能体规则推理，通过规则图构建流程生成并增量组合子场景，考察规则识别（RI）、规则推导（RD）和端到端规则推理（E2E）三项能力。在 11 个前沿 LLM 上，最高 RI 与 RD 得分仅为 62.47% 和 60.43%，E2E 得分在 26.97% 至 55.29% 之间。代码与数据集已公开。