00:03
Philipp Schmid@_philschmid
Philipp Schmid@_philschmid推荐理由：想知道智能体在多轮对话里会不会越改越烂？EvoCode 用 26 个任务 227 轮测试，专门抓这种翻车现场。
EvoCode
共 1 条相关 AI 资讯
7月28日
00:03
EvoCode 是一个新评测基准，包含 26 个任务和 227 轮次（每任务 5-15 轮），测试智能体在持续对话中跟随进化需求并保持已有行为的能力。评测采用单一持久容器，每轮后累积测试。常见失败模式不是无法构建新功能，而是实现或更新时破坏了已工作的部分。该评测由 Philipp Schmid 发布。