行业与实践 · 标签「质量工程」

最新优先最早优先

查看全部

研究与基准测试2026-09-215 分钟
FinFIRST：金融搜索 Agent 不只要答对，还要能溯源
蚂蚁百灵团队联合北京大学与中金公司投资银行团队公开的 FinFIRST，把金融搜索 Agent 的评测重点从最终答案扩展到信息检索、引用来源和全过程可追踪性。
研究与基准测试2026-08-285 分钟
华为云 AgentArts 智能体评估：把“能回答”变成可回归的工程系统
华为云 AgentArts 的官方评估实践把智能体测试从“开发者手动聊几轮”推进到可重复、可量化、可定位的评测流程。对企业来说，重点不是一次跑出一个分数，而是建立基线、识别能力洼地，并在每次 Prompt、知识库或工具改动后验证是否回归。
研究与基准测试2026-08-285 分钟
PawBench：Agent 的成绩，不只属于模型
通义实验室公开的 PawBench 用 4,050 个测试单元回答一个常被忽略的问题：Agent 失败时，究竟是模型能力不足，还是 Harness 没有把能力稳定地转化为执行结果？
职业与转型2026-08-152 分钟
从手工 QA 到 agent QA：哪些能力真正能迁移
测试设计、风险排序和缺陷报告可以原样迁到 agent 时代。重复点击和脆定位器不再有回报。
研究与基准测试2026-08-015 分钟
HSCodeComp：复杂层级规则，才是深度搜索 Agent 的硬考场
阿里巴巴团队公开的 HSCodeComp 把深度搜索 Agent 放进跨境贸易商品编码场景：不是找到一段相关文本就算完成，而是要从真实商品信息和多层关税规则中推导出准确的十位 HS Code。
研究与基准测试2026-07-175 分钟
PinchBench：百度 AI 搜索如何公开一套端到端 Agent 评测流程
百度 AI 搜索团队公开的 PinchBench-Evaluation 仓库，展示了 Orion-Mission-Mode 在真实工作任务上的评测流程：原始输入直接注入系统，Agent 自主调度工具并交付文件或报告，再由脚本检查与 LLM 评审共同打分。

FinFIRST：金融搜索 Agent 不只要答对，还要能溯源

华为云 AgentArts 智能体评估：把“能回答”变成可回归的工程系统

PawBench：Agent 的成绩，不只属于模型

从手工 QA 到 agent QA：哪些能力真正能迁移

HSCodeComp：复杂层级规则，才是深度搜索 Agent 的硬考场

PinchBench：百度 AI 搜索如何公开一套端到端 Agent 评测流程