跳到正文
热点事件持续更新

论文将评测套件生成建模为多样性驱动搜索并提出覆盖度分析方法

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

一篇被 NeurIPS 2026 EvoRobust Workshop 接收的 arXiv 论文(9 页)提出:从智能体规范生成评估套件本质上是一种多样性驱动的搜索,生成器填充“需求×角色×场景类型”的描述符空间,产物应以档案形式保留,而非只用平均通过率打分。 论文作者 Pulkit Yadav 等向 τ²-bench 智能体注入 7 个受控缺陷以检验检测能力,称缺陷可分为迹对齐与迹正交两类:迹对齐类中,按描述符单元格逐格打分可完整恢复工具移除类缺陷;仅含 happy-path 场景的套件检出率为零,而场景类型多样化的套件在 20 次中 5 次检出编排缺陷。 论文建议评估档案按单元格打分,并将覆盖率作为一等属性随套件发布。

AI 根据报道生成 · 3 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月16日
  1. arXiv cs.AI
    生成式评估套件作为多样性驱动的搜索:检测真实 Agent 回归

    arXiv 论文提出将智能体评估套件生成视为多样性驱动的搜索,并向 τ²-bench 智能体注入 7 个受控缺陷来检验缺陷检测能力。研究发现缺陷可分为迹对齐与迹正交两类:对齐类中逐格打分可完整恢复工具移除缺陷;仅含 happy-path 的套件检出率为零,而 kind 多样化的套件在 20 次中 5 次检出编排缺陷。论文建议评估档案按单元格打分,并将覆盖率作为一等属性发布。

本事件热度走势

可比范围当前
9
可比范围峰值
1011月16日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。