W&B 工作坊讲解如何自建 agent 评测基准

Weights & Biases 的 Wolfram Ravenwolf 在 AI Engineer World's Fair 上线「From Zero to Leaderboard: Agent Evaluation」工作坊。其 WolfBench 方法分别追踪每次运行解决的基准占比、多次运行的平均值和能力上限，并覆盖构建自有 benchmark 前需要做出的决策。