哈佛/斯坦福论文提出知识工作基准四字段报告标准

哈佛与斯坦福的论文《Designing Benchmarks for Knowledge Work》提出了一套清晰的评测报告标准,用四个字段明确区分基准「测了什么」与「指标含义」。结合 CRMArena-Pro 的讨论,作者强调应标注评测的覆盖边界:修好一个 bug 并不等于完成整个工作流,智能体评测需要更透明的报告方式才能反映真实工作能力。

2026-09-03 ~ 2026-09-03 · 2 条相关