研究与基准测试/2026-10-05/16 分钟带证书的选择性自动评测(续):证明、审计与成本续篇给出名次不变性证明、合成有效性网格、真实语料上的聚类基线、样本外审计、全部 GRPO 臂、语料与提示、CertHarvest 协议,以及复核小时的成本核算。
研究与基准测试/2026-10-05/22 分钟带证书的选择性自动评测:任务聚类会让独立同分布证书失真智能体轨迹按任务成团,独立同分布的选择性证书会把自动化说得过高。任务级自助法 TaskBoot 在合成与真实语料上都守住错误预算,一个 40 亿参数评判器在工具使用和网页上分别证明约三成到六成评测可以自动接管。