Agent Evals指南解释自评高分失真

作者blaizedsouza在阅读46份Agent评测资料后撰写并发布指南，称自己的Agent虽在自写评测中取得95%高分，评测结果仍不可信，因为题目、评分标准等可能由Agent参与设计，无法充分暴露真实弱点。 指南据此介绍如何设计能检验真实能力的评测集，并梳理Agent评测中的常见误区，提醒评测者不要把自评高分直接视为能力证明。

AI 根据报道生成 · 59 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。