智能体评估

AI评估

旧的AI基准测试已失效。以下是替代它们的方法。

像MMLU和GSM8K这样的静态基准测试已经饱和且受污染。行业已转向动态再生、专家级考试和智能体任务环境，以真实衡量AI能力。

2026-08-04