前沿模型与Agent评测方法引热议

近期关于前沿模型与Agent的评测方法引发热议。在评估涉及CBRN（化学、生物、放射、核）等威胁的能力时，测试工具链的选择会显著影响结论。目前行业虽倾向使用模型厂商自带的原生工具链，但专家强调应尝试多种harness以最大化观察模型的真实性能。此外，前沿Agent评测还面临token上限过低的问题，这往往会掩盖模型的真实能力上限，呼吁相关评测机构提高额度限制。

2026-07-20 ~ 2026-07-20 · 3 条相关