行业与实践 · 标签「子集」

案例研究/2026-10-08/18 分钟

生产环境中的高效评测：一项持续演进的大语言模型智能体研究

Meta 的生产分析智能体每次跑完 519 题大约要 3 小时。在 574 次历史运行上，多维 2PL 自适应测试只跑 200 题（38.5%）时，通过率 MAE 为 1.03 个百分点；300 题时与整卷排名的 Spearman 为 0.992。实际部署的是按难度分层的固定子集，可不重新标定迁到另外 5 个智能体族，标定窗短到 1 天仍稳定。