~/writingseries
技术
-
Anthropic 的评测实验：Agent 分数涨了，能力真的变强了吗？
结合基础设施噪声与联网答案污染案例，说明 Agent 成绩比较需要哪些配…
-
OpenAI、Anthropic 的评测实践：谁来给 AI 裁判打分？
结合 SWE-bench Verified、PaperBench 与 B…
-
Qwen 的规划评测：Agent 的计划，为什么看着合理却执行不了？
从 Qwen DeepPlanning 提炼局部条件、全局可行性与优化目…
-
OpenAI 复盘 ChatGPT 回滚：测试结果不错，为什么还出问题？
精读 OpenAI 的历史回滚复盘：正向反馈为何仍会遗漏行为问题，以及怎…
-
Anthropic 工具评测：Agent 用错工具，问题可能藏在接口里
从 Anthropic 工具评测实践拆解选错工具、读错字段和漏查数据，给…
-
OpenAI 内部数据 Agent：查数看着对，结果为何还会错？
从 OpenAI 数据 Agent 实践出发，区分查询能运行、业务口径正…
-
再读A社博文：怎样建立可信的 Agent 评测
按原文顺序精读 Anthropic 的 Agent 评测方法：任务、试跑…
-
健壮性和鲁棒性的区别——奇怪的知识又增加了
产品经理在需求输出中往往会简单提一句，确保代码的健壮性；后来接触大模型或…