「评测」标签文章

「评测」标签下共 32 篇技术文章。按发布时间倒序排列,内容持续更新。

共 32 篇文章 第 3 / 4 页 持续更新中
当前筛选标签:评测 清除筛选

agent 评测里路径带 eval,会改变 agent 的行为吗?

微软一项约 900 次运行、四个模型的实验显示:工作区路径含 eval 会稳定提高 agent“自己在被测试”的判断,但在六个日常工程场景中没有带来可测量的行为差异;小样本里出现的差异在扩大样本后消失。作者的建议是不必重建评测框架,…

发布于 2026-11-08 · 沐小悠 · 约 9 分钟 44 次阅读 阅读 →

LifeVal 类日常任务基准怎么设计:任务选择、完成判定与评分口径

公开摘要只支持 LifeVal 是衡量 AI 帮助人们完成日常任务的基准,举例包括寻找托儿、管理财务与处理政府文书;任务规模、判定方式和评分公式均待核实。文章据此讨论设计同类基准时应先固定三件事:用真实性、可交付性和失败代价约束任务…

发布于 2026-11-03 · 沐小悠 · 约 4 分钟 65 次阅读 阅读 →

共 32 篇文章,第 3 / 4 页