Trendaavat aiheet
#
Bonk Eco continues to show strength amid $USELESS rally
#
Pump.fun to raise $1B token sale, traders speculating on airdrop
#
Boop.Fun leading the way with a new launchpad on Solana.
Voitimme ensimmäisen sijan Berkeley AgentX -huippukokouksessa vertailu- ja arviointiradalla! Onnittelut tiimille :)
9.7.2025
Koska tekoälyagentit ovat lähellä todellista käyttöä, mistä tiedämme, mitä he todella voivat tehdä? Luotettavat vertailuarvot ovat kriittisiä, mutta agenttiset vertailuarvot ovat rikki!
Esimerkki: WebArena merkitsee keston laskentatehtävässä "45+8 minuuttia" oikeaksi (todellinen vastaus: "63 minuuttia"). Muut vertailuarvot arvioivat agenttien pätevyyden väärin 1,6-100 %.
Miksi agenttisten järjestelmien arviointiperusteet ovat hauraita? Katso alta ketju ja linkit
1/8
1,1K
Johtavat
Rankkaus
Suosikit