实体
SpreadsheetBench v2
SpreadsheetBench v2
PulseAugur coverage of SpreadsheetBench v2 — every cluster mentioning SpreadsheetBench v2 across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
EvoSkill v2 系统自主提升 AI 智能体技能
研究人员推出 EvoSkill v2，这是一个新颖的三智能体系统，旨在自主提升 AI 智能体的能力。该系统通过让一个智能体将基准测试改编成插件，另一个智能体尝试任务，以及第三个智能体（进化器）根据其表现迭代重写求解器智能体的指令来运行。与之前每轮重置优化智能体的方法不同，EvoSkill v2 的进化器是有状态的，能够保留上下文并随着时间的推移提高技能。这种方法在 SpreadsheetBench v2 和 Tau-3 bench 等…
-
新系统RubricCraft从代理解决方案生成评估标准
研究人员开发了RubricCraft，一个用于为语言代理生成自然语言评估标准的创新系统。该系统利用候选解决方案来指导标准的构建，通过比较不同尝试满足或违反任务要求的方式来创建明确的标准。RubricCraft旨在提高开放式、产出型任务评估的准确性和公平性，尤其是在参考解决方案可能存在缺陷时。在SpreadsheetBench v2上的初步测试表明，与仅使用提示的标准相比，RubricCraft标准能过滤掉更少的错误输出，并更有效地按正…