基准与测试
对比、性能测试与模型评估
2 published articles
3 min read
智能体评估
沙盒基准测试掩盖了智能体的真实失败原因，港大刚刚解决了这个问题
UniClawBench 通过 400 个双语真实世界任务，评估主动型智能体在五种基本能力上的表现，采用实时 Docker 容器和三智能体闭环评估。它将基础模型能力与框架选择分离，揭示智能体真正失效的环节。
2026-07-13
5 min read
基准测试
Treble Technologies与Hugging Face联合发布远场语音识别FFASR排行榜
Treble Technologies与Hugging Face推出的FFASR排行榜在九种条件下评估ASR模型，包括混响、背景噪声和麦克风距离。早期提交结果显示，低信噪比下的远场词错误率比近场高出数倍，凸显了开发声学鲁棒模型的必要性。
2026-07-02