AI 智能体自动审计五大热门基准,查出 100 多处评分错误

Beaker 团队让 AI 智能体自主审查业界最常用的五个 AI 基准测试,发现 100 多处疑似任务说明与评分错误,且每个基准都存在大量问题。例如「Agents' Last Exam」中有条目未构建任何面板却获得满分。该审计结果经 Hugging Face CEO Clement Delangue 与 VictorSanh 转发后引发关注,凸显热门基准的可靠性隐患。

2026-11-20 ~ 2026-11-21 · 3 条相关