智能体评测还在打地鼠阶段
maksym_andr · x · 2026-07-13
作者提到，他们在做 benchmarks / evals 时，当前主要还是在玩一种临时性的“打地鼠”模式：发现一个问题就补一个测试或规则。
他认为这在当前能力水平下还算可行，但如果智能体变得更强，这种做法就会不够用，需要更系统的评测与约束设计。
「编程与Agent」频道最新
- 拆解两款真实「公司大脑」：Slite 与 Gorgias 同台对比构建之道 — femke_plantinga · 2026-09-11
- 浏览器主线程很贵:动画卡顿的真正成本与前端优化实践 — jh3yy · 2026-09-11
- 开源工具 Claude Unlimited：多账号轮换让 Claude Code 会话不断线 — Similar_Injury_6739 · 2026-09-11
- 受 OpenAI 万机群启发，开发者开源 agent 众包解题平台 — Benjaminsen · 2026-09-11
- 开源 Mac 应用 Lucid：只在跑 AI 时阻止笔记本休眠 — Pitiful_Hedgehog_600 · 2026-09-11
- 20kb 函数匹配达成,banteg 召集 AI 逆向 Snail Mail 剩余 20 个挑战 — banteg · 2026-09-11