标签: 评估基准 (2 篇)

Hugging Face 联合 IBM 推出 Open 智能体 Leaderboard，首次将评估对象从单一模型扩展到包含工具、规划、记忆的完整智能体系统，并同时衡量性能与成本。

Anthropic 启动500万美元资助计划，旨在建立独立、开源的评估基准，衡量AI对用户心理健康的真实影响。