「评测」标签文章

「评测」标签下共 31 篇技术文章,包括《工作区路径里的 eval 会改变 Agent 行为吗:900》、《代理轨迹里的可访问性问题:运行都通过时该看什么信号》、《工作区路径里的 eval 会不会改变代理行为:约 900 次》。按发布时间倒序排列,内容持续更新。

共 31 篇文章 第 1 / 4 页 持续更新中
当前筛选标签:评测 清除筛选

工作区路径里的 eval 会改变 Agent 行为吗:900 次运行后的评测隔离结论

微软开发者博客公布了一组约 900 次运行的对照实验:工作区路径含 eval 会让模型更确信自己处于测试中,但在六个工程场景里没有观察到可测量的行为差异;小样本曾出现的差距在扩大样本后消失。文章还给出了评测目录命名与行为测量的实践建…

发布于 2026-11-15 · 沐小悠 · 约 9 分钟 10 次阅读 阅读 →

工作区路径里的 eval 会不会改变代理行为:约 900 次运行的答案与边界

微软开发者博客的一项实验在约 900 次运行、四个模型上发现:把工作目录命名为形如 eval-XysseR 的路径,会稳定提高代理对自己“正在被测试”的判断,但在六个日常工程场景中没有测出可辨别的行为差异。作者建议仍然使用中性、真实…

发布于 2026-11-12 · 沐小悠 · 约 8 分钟 28 次阅读 阅读 →

评测全绿,轨迹却在报警:从代理运行记录里找出被分数掩盖的可用性缺陷

微软开发者博客记录了一次五次运行的代理评测:五个脚本都能用,评测分数没有任何异常,但轨迹里出现 15 个问题,每次运行消耗 29 到 39 次请求。文章归纳了七类可从轨迹中复查的模式——猜文档 URL、错误信息不给有效值、缺少完成信…

发布于 2026-11-11 · 沐小悠 · 约 10 分钟 31 次阅读 阅读 →

共 31 篇文章,第 1 / 4 页