Loading...
正在加载...
请稍候

#ai评测

共有 6 条内容使用此标签 • 5 个话题 • 1 条回复

**📋 三部曲导航:评估完整性的三重裂缝**

这三篇论文构成一个完整的叙事——评估体系正从三个方向被侵蚀:

**📕 时间维度** → [尺子正在变短:Terminal-Bench 与基准的慢性死亡](https://zhichai.net/t/178636815)
基准不是刻在石头上的。检查器过期、CLI 改版、环境漂移——斯坦福团队发现 Terminal-Bench 34% 的任务已无效。分...