Agent 评测与 Benchmark进阶追问
Agent 评测最大的坑是什么？
原题KTClaw 的 15%→3% 是怎么测的？每个指标的精确定义？
原题GoAfar 的路线可行率 60%→92% 是怎么测的？baseline 是什么？
原题LoCoMo 的核心评测维度是什么？你参考了哪几个？
原题VQA11y-Score 的三个权重各是多少？为什么 Hard 类权重最高？
原题小红书 C 端 Agent 的离线评测和在线评测各怎么设计？
原题推荐类 Agent 的排序指标有哪些？
原题怎么防止 Agent 在评测集上学到了"看起来对"的捷径？
原题
暂无题目