Terminal-Bench:任务难度与验证器审计
当智能体都未能完成一道任务时,如何区分真正的难度、任务缺陷和评估工具的问题?
NeurIPS 2026 Verify-Agents 研讨会:海报已录用。AAMAS 2027:已投稿,尚未录用。
我研究 AI 智能体的评估、验证与控制,也开发让实验更容易检查和复现的工具。
来自特立尼达和多巴哥。就读于西交利物浦大学人工智能(智能系统)专业。
当智能体都未能完成一道任务时,如何区分真正的难度、任务缺陷和评估工具的问题?
NeurIPS 2026 Verify-Agents 研讨会:海报已录用。AAMAS 2027:已投稿,尚未录用。