「评测设计」标签下共 2 篇技术文章，包括《工作区路径里带 eval：agent 会更疑心，但行为未必变》、《BioBasicsBench 的 100 项任务，如何界定「》。按发布时间倒序排列，内容持续更新。
微软开发者博客记录了一组对照实验：约 900 次运行、四个模型、六类工程任务，对比 billing-api 与 eval-XysseR 两种工作区文件夹名。文件夹名确实进入了系统提示并提高了 agent 对“这是测试”的判断，但在可…
BioBasicsBench 用 100 项任务把「能读懂原始实验数据」定义成可执行的 agent 评测，场景限定在日常湿实验室科学。原始数据通常指仪器直接导出、未经校正与归一化的文件，与整理表是两类输入。100 项属诊断级样本，适…
共 2 篇文章，第 1 / 1 页