研究人员开发了DailyReport，这是一个旨在评估搜索代理（SAs）在现实的、开放式的日常搜索任务中的能力的新基准。与之前专注于特定场景的基准不同，DailyReport包含150个任务和3500多个评分标准，反映了当前用户的用户信息需求。该基准通过跨不同维度的级联评分标准来评估任务，提供可解释的分数，并且对17个代理系统的初步测试表明，当前的SAs尚未达到用户的期望。 AI
排序理由 该集群包含一篇介绍用于评估AI系统的新基准的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →