热门话题
#
Bonk 生态迷因币展现强韧势头
#
有消息称 Pump.fun 计划 40 亿估值发币，引发市场猜测
#
Solana 新代币发射平台 Boop.Fun 风头正劲
我们在伯克利AgentX峰会上获得了基准和评估赛道的第一名！祝贺团队 :)
2025年7月9日
随着人工智能代理接近实际应用，我们如何知道它们实际上能做什么？可靠的基准测试至关重要，但代理基准测试却存在问题！
例如：WebArena在一个持续时间计算任务上将"45+8分钟"标记为正确（真实答案是："63分钟"）。其他基准测试对代理能力的估计误差在1.6%-100%之间。
为什么代理系统的评估基础如此脆弱？请参见下面的线程和链接
1/8
1.01K
热门
排行
收藏