★ 3
AgentJudgeBench：多难度LLM裁判评估基准
AgentJudgeBench系统研究LLM裁判在智能体工具调用中的可靠性，发现裁判对齐度随任务难度单调下降，且无真实答案时所有裁判收敛于狭窄区间。结构化评估标准可提升对齐，但无法统一泛化。
arXiv cs.AI66 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
AgentJudgeBench系统研究LLM裁判在智能体工具调用中的可靠性，发现裁判对齐度随任务难度单调下降，且无真实答案时所有裁判收敛于狭窄区间。结构化评估标准可提升对齐，但无法统一泛化。