熱門話題
#
Bonk 生態迷因幣展現強韌勢頭
#
有消息稱 Pump.fun 計劃 40 億估值發幣，引發市場猜測
#
Solana 新代幣發射平臺 Boop.Fun 風頭正勁
我們在伯克利 AgentX 峰會的基準和評估專題中獲得了第一名！恭喜團隊 :)
2025年7月9日
作為接近現實世界的 AI 代理，我們如何知道它們實際上可以做什麼？可靠的基準至關重要，但代理基準被打破了！
範例：WebArena 將持續時間計算任務上的「45+8 分鐘」標記為正確（真實答案：「63 分鐘」。其他基準將代理能力誤估了 1.6-100%。
為什麼代理系統的評估基礎很脆弱？請參閱下面的線程和鏈接
1/8
986
熱門
排行
收藏