行业与实践 · 标签「回归」

最新优先最早优先

查看全部

研究与基准测试2026-09-146 分钟
先洗出一百到两百张工单：腾讯云 ADP 把 FDE 验收落在回归评测上
腾讯云 ADP 建议 FDE 用 100 到 200 条真实工单做黄金测试集，回归上下文召回率、回答真实度和业务切题度。认证考试 70 分是考试线，不是 Agent 准确率。
研究与基准测试2026-08-1211 分钟
描述不可信：阿里云用三天把 UGC 游戏 Agent 收成可回归
阿里云 AgentLoop 在 UGC 游戏 Agent 上用 3 天走完观测、分层评估、根因和回归。事实层按正确项除以正确加错误项打分，一条样本 16 项里 9 项错。回写后的新分数没有公布。
研究与基准测试2026-08-068 分钟
绿了也不算过：阿里云用 Qoder 让 Computer Use 自己验证到能过夜
Qoder 是阿里的 AI 编码桌面产品。Computer Use 每次构建必须用同一证书签名，Goal Mode 循环到通过或需要人决策。验证分单测、自建测试应用和评测集三层。原文写了连续数百小时，但没有公开图表上的分数。
研究与基准测试2026-08-056 分钟
同一套卷子才算回归：华为云把 RAG 优化收成闭环
华为云 AgentArts 把 RAG 优化收成评估、分析、改文档或配置、再回归。每个场景至少 30 到 50 条。没有 context，幻觉和引用相关性评估器不能工作。回归必须用同一评测集和同一评估器。页面没有给出优化前后的分数。
研究与基准测试2026-07-167 分钟
从抽样聊天到可回归：华为云 AgentArts 的智能体评估方法
华为云 AgentArts 用评测集、40 多个评估器和评估任务替换 5 到 10 条手测。流程是 30 到 50 条基线、低分下钻、按病因改提示词或工具、同一评测集回归。裁判打分并非 100% 完美，允许改分作真值。

先洗出一百到两百张工单：腾讯云 ADP 把 FDE 验收落在回归评测上

描述不可信：阿里云用三天把 UGC 游戏 Agent 收成可回归

绿了也不算过：阿里云用 Qoder 让 Computer Use 自己验证到能过夜

同一套卷子才算回归：华为云把 RAG 优化收成闭环

从抽样聊天到可回归：华为云 AgentArts 的智能体评估方法