Not translated yet — showing the Chinese originals.

Industry & Practice · Tagged “ParanoiaEval”

Research & Benchmarks2026-10-1316 min
ParanoiaEval 续：附录 F 至 O
本篇译出裁判提示、人工标注、人类研究、实验超参数、裁判验证、三次运行细表、显著性检验、两则案例和计算资源消耗。
Research & Benchmarks2026-10-1312 min
ParanoiaEval 续：附录 A 至 E
本篇译出局限、ATMA 完备性、日志挖掘、44 个情境分类，以及回避、转移、缓解、接受各一对完整任务例子。
Research & Benchmarks2026-10-138 min
ParanoiaEval 续：参考文献
本篇是 ParanoiaEval 的参考文献全文，共 63 条。人名、链接和基准名保留原文，题名与出处译成中文，并注明每条文献在论证中的作用。
Research & Benchmarks2026-10-1318 min
ParanoiaEval：基准评测智能体编码中不必要的防御性工作
纽约大学与香港理工的 ParanoiaEval 用 200 对证据受控任务评测编码智能体的多余防御。八个模型里，不必要风险处置仍占含证据运行的 11.2% 到 58.7%。更强的任务成功率并不能换来更恰当的处置，开发者满意度因此下降 1.27 分。