跳到正文
AGI Hunt· VictorSanh·· 1 小时前AI 评分54

Beaker 团队用 AI 智能体审计五大热门基准,发现 100 多处疑似错误

AI 智能体自动审计五大热门基准,查出 100 多处评分错误

AI 导读

Beaker 团队让 AI 智能体自主审查业界最常用的 5 个 AI 基准测试,发现 100 多处疑似任务说明与评分错误,且每个基准都存在大量问题。其中「Agents' Last Exam」有条目未构建任何面板却获得满分,该结果经 Hugging Face CEO Clement Delangue 与 VictorSanh 转发后受到关注。

来源:AGI Hunt · agihunt.info