LLM评估
3 published articles
基准与测试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
工具与框架5 min read
工具
你的AI模型是商品，真正的壁垒在管线
一份实用的、循序渐进的2025年AI写作管线构建分析：模型选择、提示链式处理和质量管理。不炒作，只讲真正重要的技术架构。
2026-07-11
大语言模型与模型3 min read
模型评估
Ai2发布olmo-eval：为LLM开发者提供每个检查点的显微级评估
Ai2的olmo-eval为活跃的LLM开发提供了每个问题的差异分析和模块化基准测试，帮助研究人员区分真正的进展与统计噪声。
2026-07-06