AI Agent 自动打分怎么做:LLM 当裁判的评分器设计、偏差校准与人工抽检
两版提示词到底哪版更好?人工评不过来,凭感觉又不可靠。让大模型当裁判能解决量的问题,但评分器本身也会偏:偏爱长答案、偏爱靠前的选项…
两版提示词到底哪版更好?人工评不过来,凭感觉又不可靠。让大模型当裁判能解决量的问题,但评分器本身也会偏:偏爱长答案、偏爱靠前的选项…
9 月 17 日,华为全联接大会 2026 在上海开幕。这次最值得关注的不是芯片,而是两件事:企业级 Agent 平台 openJ…
一个 Agent 平台要同时服务多个部门或客户时,最怕的不是跑得慢,而是「张三问出了李四的数据」。多租户不是加个 tenant_i…
DeepSeek 发布 V4.1-Flash:552B MoE 非对称激活,KV Cache 压到上代四分之一,API 价对 V4…
9 月 15 日飞书未来无限大会发布 8.0 版,同场推出国内首个团队智能体「豆包工作伙伴」——它有独立身份、权限和记忆,能像同事…
让 Agent 帮你算数、处理表格,它就得真的执行代码——也就等于在你的机器上有了手脚。沙箱要隔离的其实有四样东西:进程、文件、网…
9 月 14 日豆包手机助手消费者版发布,9 月 16 日搭载它的努比亚 NaviX Ultra 开售,被中兴称为全球首款商用 A…
同一个问题问两遍答案不一样,测试时挺好一上线就变差,同一批任务时而靠谱时而出错——这种不稳定比偶发报错更伤信任。本文把不稳定拆成采…
9 月 12 日,Anthropic CEO Dario Amodei 发长文主张给前沿 AI「定速」:不是暂停训练,而是把能力提…
客服每天几百上千条对话,靠人一条条听根本听不完。让 Agent 做质检,难点不在打分,而在规则能不能判定、证据能不能回溯、有争议能…