AI 智能体审计 5 大主流 benchmark,自主发现 100+ 处评分错误

VictorSanh · x · 2026-11-21

Hugging Face 的 VictorSanh 团队用 AI 智能体审查行业最常用的 5 个 benchmark,自主发现 100+ 处疑似任务说明与评分错误,且每个 benchmark 至少有一处被证实:

作者指出:团队用这些 benchmark 分数来选模型、决定发布什么、调优 agent——错误的评分器让所有这些决策都站不住脚。

所属事件:AI 智能体自动审计五大热门基准,查出 100 多处评分错误(3 条相关)→

原文链接 →

「模型」频道最新

更多「模型」频道 AI 资讯 →