AI Pulse

评估

2 篇文章 · 8 条信号 · 持续更新

📡

Agent 好不好用,先过这 10 道评估关

𝕏2026 年 10 月 29 日
📡

omarsar0:评估是智能栈的支柱,Agent落地离不开它

𝕏2026 年 10 月 19 日
📡

仅检查回复的AI智能体评估漏判了1/6的不合格任务

𝕏2026 年 10 月 11 日
📖

一个未经检验的AI裁判,与人类仅60%一致:产品不行时它说正常

AI大语言模型2026 年 10 月 4 日
📖

AI智能体答对题,可能是走错路做到的

AIAI Agent2026 年 9 月 25 日
📡

LangChain测试对比Jev与LLM裁判的多维度表现

𝕏2026 年 9 月 20 日
📡

OAI Evals团队连续三次发布Claude在OpenAI关注任务上表现更优的基准测试结果

𝕏2026 年 6 月 12 日
📡

METR评估发现超半数SWEBench结果不可合并

𝕏2026 年 6 月 11 日
📡

LangChain实验室发现:验证器设计差一点,AI判断就多错三成

𝕏2026 年 6 月 8 日
📡

六个开源大模型解滑动拼图,五个当场卡死

𝕏2026 年 5 月 13 日

订阅 AI Pulse

每天 08:00 · 12:30 · 18:30 · 23:50 更新