Оценка агента с обратной связью: многоуровневое измерение и самокалибровка
arXiv:2611.07051v1 Тип объявления: новое Аннотация: Как только агент заработает, команды хотят знать, выполняет ли он свою работу, а не только выдает ли он ошибки. Тем не менее, большинство оценок носят одноразовый характер: тестовый прогон, просмотр трассировок, один балл. Его выводы не проверяют себя…
arXiv — cs.AI