个人博客

首页
分类
标签
归档
关于

首页标签 SWE-bench

标签

SWE-bench 1

从SWE家族看CodeAgent评测发展路径和方向 2026/07/20

最近更新

如何识别 LLM 推理文本异常：它选择不看文本，只看概率
只测 3% 的题，就能还原模型评测结论？——评测集压缩的几种玩法
AI的肖申克救赎：OpenAI模型自主越狱攻破HuggingFace，GLM临危救场
Langfuse：给你的 Agent 装上行车记录仪
LLM-as-a-Judge 不是银弹：拆解 IBM CLEAR 如何给 AI Agent 做全身体检

热门标签

Agent评测评测系统 LLM-as-a-Judge 可观测性 AA-AgentPerf Agent-as-a-Judge Code Agent EvalScope GLM Harness

© 2026 ivanbao. 保留部分权利。

本站采用 Jekyll 主题 Chirpy

热门标签

Agent评测评测系统 LLM-as-a-Judge 可观测性 AA-AgentPerf Agent-as-a-Judge Code Agent EvalScope GLM Harness

发现新内容