Agent 评测新思路：前端设计归入视觉任务并采用分组评分

有开发者分享了一项 agent 评测工作的新思路：将前端设计归类为「视觉 agent 任务」，借助视觉评估来判断智能体的实际产出质量，并采用相对的分组评分（groupwise grading）取代传统逐点评分。作者认为这一方法可有效缓解 reward hacking，减少模型钻评测空子，相关观点引发社区关注与讨论。

2026-09-22 ~ 2026-09-22 · 2 条相关