行业与实践 · 标签「Anthropic」

研究与基准测试/2026-09-27/6 分钟

Agent 评测到底在测什么：说「订好了」不算数

打分要打在环境的最终状态上，不是它轨迹里说的那句完成。同一道题多跑几遍，失败样本先人工看再归类。