研究与基准测试/2026-09-17/5 分钟满分 100 再扣分:火山引擎按交付节点评 Agent页面最近更新时间是 2026-09-17。DeliveryAI 评测任务可以用生产 Trace 或评测集。总分按负分制,以 100 分为基准按问题严重程度扣分,并按节点给出通过率和低分用例。
研究与基准测试/2026-08-24/6 分钟最多 5000 条:火山引擎用三列评测集约束 Agent 实验页面最近更新时间是 2026-08-24。AgentKit 评测集默认三列:input、reference_output、actual_output。上限是 5000 条、200 MB、50 个自定义列。只有提交成正式版本才能进实验。
研究与基准测试/2026-07-28/6 分钟分数从 0.0 到 1.0:火山引擎把评估器分成模型和代码两路页面最近更新时间是 2026-07-28。AgentKit 的 LLM 评估器默认打 0.0 到 1.0,并允许人工改分。Code 评估器支持 Python 和 JavaScript,模型侧目前只写了豆包。