行业与实践 · 标签「基准」

研究与基准测试2026-09-2722 分钟
LLM Agent 的评测与基准：一篇综述
SAP Labs 四位作者的 KDD '25 综述全译：按「评什么」和「怎么评」两条轴整理 Agent 评测，并指出企业场景特有的访问控制、可靠性和合规挑战。原文 CC BY 4.0。
研究与基准测试2026-09-2740 分钟
基于 (M)LLM 的 GUI Agent 综述
GUI Agent 综述全译：把架构拆成感知、探索、规划、交互四个模块，梳理移动/桌面/网页/游戏四类应用、基准与评测策略，并指出元素定位、长时程规划与安全执行等挑战。原文 CC BY 4.0。
研究与基准测试2026-09-2722 分钟
XRepoTest：面向大语言模型的多语言仓库级单元测试生成基准
河内科技大学与 L'Aquila 大学论文全译：Rust/Go/Julia/PHP/Ruby 五语言、3,642 个焦点函数、14 个模型。提出调用率 IR 识别「通过却没真正测到焦点函数」，标准设置下最强模型 TPR 也仅约 27%。原文 CC BY 4.0。