「eval」标签下共 6 篇技术文章，包括《工作区路径里的 eval 会改变 Agent 行为吗：一项约》、《LifeVal 类日常任务基准怎么设计：任务选择、完成判定与》、《工作区路径里的 eval 会让智能体改变行为吗？》。按发布时间倒序排列，内容持续更新。
来源实验把同一仓库分别放进 billing-api 与 eval-XysseR 两个临时目录，在六个工程场景、四个模型、约 900 次运行中比较。结果是模型更确信自己在被测试，但没有观察到可测量的行为差异，努力度也没有一致变化。作者…
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…
微软开发者博客一项约 900 次运行、四个模型的实验发现，工作区路径含 eval 会稳定提高智能体对“自己在被测试”的判断，但在其设计的日常工程场景中没有可测量的行为差异。文章梳理了实验设计、小样本假象、适用边界，以及对评测目录命名…
微软一项约 900 次运行的实验显示，工作区路径含 eval 会让模型更确信自己在被测试，但在六个日常工程场景中没有测到行为差异；唯一看似存在的差异在扩大样本后不再成立。对行为类评测影响有限，对测量模型信念或表述的评测仍会受影响，且…
微软开发者博客的一组实验显示：把智能体放在名为 eval-xxxx 的临时目录里，会稳定提高它自评“正在被测试”的概率，但在五个工程行为场景中没有带来可测量的差异；小样本里出现的支付提醒差异在扩大样本后消失。作者据此建议仍使用中性、…
微软开发者博客一项约900次运行的实验显示，工作区路径中的 eval 会让 agent 更确信自己在被测试，但在多个工程场景中没有测到行为差异；结论受 agent、模型与任务范围限制。
共 6 篇文章，第 1 / 1 页