长文梳理 GPT-4 以来 AI Agent 评测该怎么做
dejavucoder · x · 2026-07-27
这篇长文梳理了 GPT-4 以来 AI eval 的演进
作者说自己在过去几周里系统看了面向 AI agent 的一系列评测，范围包括 人机多人游戏、股票/权益研究、机器人、长时程电脑使用 等场景。
文章要回答三个问题：
- 什么样的 eval 才真正有用；
- 从 GPT-4 时代到现在，评测版图怎么演进；
- 能存活下来的优质 eval 共有哪 6 个特征。
此外，作者还会回顾研究者在“可信评测”里记录过的错误与偏差。整体上，这是一篇偏方法论的长文，重点不是单一模型成绩，而是如何更可靠地衡量 agent 能力。
「研究」频道最新
- AI slop 已开始污染代码评审和科研署名体系 — rbhar90 · 2026-07-27
- ICML 2026 口头论文复现分数重算后仍偏中等 — profjamesevans · 2026-07-27
- 长周期智能体最终需要不可变事件日志 — sebpaquet · 2026-07-27
- Seed IQ 在 Doom II 里通关，引出 ARC-AGI 之后的评测问题 — Fit_Transition8824 · 2026-07-27
- 实测智能体数据科学工作流：代码能跑但常答错问题 — hugobowne · 2026-07-27
- 一份横跨 ML、系统、NLP 与音频的经典论文清单 — deliprao · 2026-07-27