#评估标准

共 2 条 · 7 天 1 条 · 30 天 1 条

信息流里打上「评估标准」标签的资讯、产品与论文，按刊登时间排，新的在上。

9月16日

这是篇关于编程代理排名的深度研究，作者分析了SWE-bench数据，发现现有排名标准可能不准确，推荐给对编程助手性能评估感兴趣的朋友。

arXiv cs.AI@Fengshuo Liu 等 5 人原文

6月11日

论文精选72°08:53

这篇论文戳破了AI基准测试的泡沫——高分不等于能干实事。做AI自动化部署的团队、评估智能体能力的开发者，看完会重新审视自己的测试标准，建议点开看看真实工作场景的差距。

rohanpaul_ai@rohanpaul_ai原文