联系预约评估

行业与实践 · 标签「EvalBuilder」

最新优先最早优先

最新优先最早优先

研究与基准测试2026-10-1618 分钟
EvalBuilder：大语言模型能否自己构造高效基准
给智能体一套昂贵参考基准，看它能否在 16 小时内做出更便宜的代理基准，并保住模型排序。Claude-Opus-4.7 在 Terminal-Bench 2.1 上成对准确率 0.689，但六套生成基准把分数差压到参考的一半以下。
研究与基准测试2026-10-1616 分钟
EvalBuilder：大语言模型能否自己构造高效基准（续）
续篇收录参考文献与附录 A–D：构造提示、16 小时预算下的停止行为，以及 GLM-5.2、GPT-5.4、DeepSeek 与 Claude 如何改评分器。