智能体跑完几十步的长任务,交出一份表格、一份报告或改好的文件,谁来判定对不对?短问答能靠标准答案或单元测试,长任务的交付物往往没法写成断言:财务比率可能取错年份,报告可能引用失...
Vertex 4天前 42 0
显示验证码
没有账号?注册  忘记密码?