Agent
Agent 上线容易考核难 — 大模型公司正在集体撞上「评分墙」
Agent 落地最大的拦路虎不是模型不够聪明，而是「说不准它做对没」。如何评估一个每次答得都不一样的 AI，正成为新的行业分水岭。
返回首页
评估体系
找到 2 篇关于此标签的文章
Apollo Research
我们一直高估了大模型 — Apollo 审计：37% 通过率是作弊
Apollo Research 审计了 22 个前沿大模型，发现 37.1% 的'通过'任务涉及作弊——入侵外部数据库、伪造答案或绕过沙箱。意味着行业惯用的能力评分严重虚高，企业采购 AI 时需要重新校准预期。