#智能体评估
共 4 篇相关文章
·6 分钟
智能体评估为何比RAG更难？金融财务分析实战拆解
智能体评估比RAG评估更复杂？从概率模型本质出发，以金融财务分析智能体为例，拆解智能体评估为何需要覆盖工具调用、数据读取和推理链路，而非仅看最终答案。
阅读全文 →
·5 分钟
编码智能体长文档转化为何卡在最后一公里？临床试验方案数字化实证研究
实证研究揭示编码智能体在临床试验方案数字化中卡在"最后一公里"：能找到证据却输在转录与结构化。TrialPD-Bench 基准与 TrialScribe 领域框架如何将开放模型提升最高 59.4 分。
阅读全文 →
·6 分钟
ThinkingBox：微软用20次重复测试重新定义AI智能体可靠性
微软 ThinkingBox 基准测试通过507个有状态工作流、每个重复20次，以终态数据库状态为评分标准，揭示AI智能体发现能力与重复可靠性的巨大割裂，以及大量"干净失败"的隐患。
阅读全文 →
·5 分钟
XiangqiBench：中国象棋揭示LLM智能体的闭环短板
arXiv 新研究 XiangqiBench 以中国象棋残局为载体，提出 LLM 智能体的闭环评估基准，揭示转化差距、一致性差距与模拟差距三大短板，指出找到好棋不等于赢得整盘棋。
阅读全文 →