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
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
最新进展11月16日 13:00
生成式评估套件作为多样性驱动的搜索:检测真实 Agent 回归报道时间线
沿着报道,了解事件的不同侧面。
11月16日
- 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
- –
02.557.510
14:0015:0016:00
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。