Chinese contentSIT-Eval：基于情境的逐轮对话智能体评测框架
德国团队做了个对话评测新框架，8 个模型跑 1292 轮情境对话，总分看不出的问题逐轮都暴露出来了，做 Agent 评测的可以看看。
#LLM-judge
1 stories · 0 in 7 days · 1 in 30 days
Stories, products and papers tagged "LLM-judge", newest first.
Oct 19
德国团队做了个对话评测新框架，8 个模型跑 1292 轮情境对话，总分看不出的问题逐轮都暴露出来了，做 Agent 评测的可以看看。