Industry & Practice · Tagged “llm-as-judge”

Research & Benchmarks/2026-11-05/18 min

评判看见评测所要求的内容了吗？面向 LLM 智能体评测的输入保证

一条 30 条轨迹的流水线里，哈希匹配、检查通过、暂存成功，仍漏掉全部结构化工具调用，60 个被评步骤里 53 个是空白。恢复调用后，J0 的后续上下文反差从 13 降到 2。