评测基准 最新动态

Anthropic 详解如何为 AI 智能体设计评测

Anthropic 发布工程博客，系统讲解如何为 AI 智能体构建评测，覆盖编码、对话、研究和计算机操作四类智能体。文章给出从零到一的八步路线，包括先用 20-50 个来自真实失败的任务起步、编写无歧义任务与参考解、平衡正负样本、隔离环境、谨慎设计 grader 并阅读 transcript。