测量优先的智能体排行榜审计框架：污染风险与评分器验证
一群研究者专门审计智能体排行榜的基准污染问题，用 GPT-4.1 和 DeepSeek-V4-Flash 在 SWE-bench 上做了对照实验，结论是很多污染指控证据不足，做评测的人值得看看这套框架。
#HAL
共 1 条 · 7 天 1 条 · 30 天 1 条
信息流里打上「HAL」标签的资讯、产品与论文，按刊登时间排，新的在上。
10月6日
一群研究者专门审计智能体排行榜的基准污染问题，用 GPT-4.1 和 DeepSeek-V4-Flash 在 SWE-bench 上做了对照实验，结论是很多污染指控证据不足，做评测的人值得看看这套框架。