AI Agent 自动审查 5 大主流基准,发现 100+ 评分错误

VictorSanh · x · 2026-11-21

有团队让 AI agent 自主审查业界最常用的 5 个基准测试,发现 100 多处可能的评分错误,例如:

Hugging Face 的 Victor Sanh 回应表示尊重这些数据集团队,称构建数据集很难,愿意帮忙修复这些问题。

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 →

「编程与Agent」频道最新

更多「编程与Agent」频道 AI 资讯 →