行业与实践 · 研究与基准测试

研究与基准测试/2026-08-31/11 分钟

结果分看不出断在哪一步：美团 ATLAS 给工具 Agent 做双时段诊断

41 个 LLM 诊断信号。校准后的 ATLAS Judge 总 F1 0.952，高于只给任务定义的 0.800。蒸馏到 9B 后 17 项总 F1 94.6，仍低于 DeepSeek-V4-Pro 的 96.4。线上三天 10% 流量，会话跟进率 +6.9%，付费 GTV +7.32%，抽查的 P0 幻觉 −6.9 个百分点。