熱點事件持續更新
評分者差異影響智能體基準測試結果
1 篇報道1 個報道來源2 小時前更新
先了解這件事
AI 綜述
Browser Use於2026年10月13日發布分析，指出智能體基準測試的評分結果會受評分模型影響：對同一批執行紀錄，僅更換評分模型，得分便介乎62.5%至83.7%，可能改變模型比較結果。文章建議評分智能體查閲執行軌跡及工作區，按任務成果以百分比評分，並重複評分三次、取中位數。分析亦提到，GPT-5.5在相同106項任務上執行五次，每次約完成89項，但各次成功的任務不盡相同；五次執行中，有104項任務至少成功一次。
AI 根據報道生成 · 1 小時前更新
最新進展10月13日 00:27
Browser Use指出評分模型可令同一批執行紀錄得分相差逾20個百分點，並提出三次評分取中位數的做法。報道時間線
沿着報道，瞭解事件的不同側面。
10月13日
- Browser UseBrowser Use 解釋基準測試評分者如何影響智能體評測結果
Browser Use 分析其智能體基準測試指出，僅更換評分模型，同一批執行紀錄的得分便介乎 62.5% 至 83.7%，足以改變模型比較結果。文章建議讓評分智能體查閲執行軌跡和工作區，按任務成果以百分比評分，重複評分三次並取中位數。GPT-5.5 在相同 106 項任務上執行五次，每次約完成 89 項，但不同次數成功的任務不盡相同；五次之中有 104 項至少成功一次。
本事件熱度走勢
還沒有足夠的連續觀測數據，暫不繪製趨勢。