HarnessEval 发布：将基准测试转化为智能代理工作流
ziqi_huang_ · x · 2026-08-19
MirroSai 发布了开源评测框架 HarnessEval，旨在将传统的静态基准测试转化为动态的智能代理工作流。该框架利用代理主动解释上下文，将高层评估问题分解为子问题，并调用工具生成子代理，以精准定位模型失败原因并输出可验证的推理轨迹。首个针对视觉生成世界模型的代理评测基准 HarnessEval-W 已随代码、技能库和案例一同开源。
所属事件:HarnessEval 开源框架将基准测试升级为智能代理工作流(4 条相关)→
「研究」频道最新
- SpliceAI2 剪接变异基准发布,九项评估性能大幅提升 — anshulkundaje · 2026-10-16
- GRPO 后训练会令分布坍缩,长程 Agent 时代反成隐患 — zsakib_ · 2026-10-16
- RFdiffusion3 登 Science:蛋白酶与金属水解酶设计大幅改进 — anshulkundaje · 2026-10-16
- ORL 让扩散语言模型重写速度-智能 Pareto 前沿,吞吐量提升约 6.9 倍 — james_y_zou · 2026-10-16
- CoT 理论论文被赞“解释了 Transformer 为何胜出” — willcb · 2026-10-16
- 陶哲轩警告 AGI 竞赛变味:OpenAI 论文轰炸冲垮初级研究项目 — Hesamation · 2026-10-16