联系预约评估

行业与实践 · 标签「benchmark」

最新优先最早优先

最新优先最早优先

研究与基准测试2026-10-2918 分钟
SearchHorizonBench：数据、估计器与决策奖励附录
附录给出 45,632 次执行的设定、估计器与推断、答案评分审计、迁移监督，以及决策奖励和集合奖励。正文见同日主篇。
研究与基准测试2026-10-2924 分钟
SearchHorizonBench：评测智能体还要不要再搜一次
SearchHorizonBench 用成对继续把搜索增益和题目难度分开。45,632 次执行、3,168 个问题。历史校准降低 Brier 误差 16.2%，但解释的增益方差不到 2%。
研究与基准测试2026-10-2922 分钟
AgentProofBench：评测可复用的网页智能体验证器
AgentProofBench 把冻结的接受规则接到相同起点上的后续执行。资源有 97 项任务、79 个家族。无错误面板的指派有 32/33 正确交付两个起点，有面板错误的只有 1/11。