AJ-Bench：面向环境感知评估的Agent-as-a-Judge基准测试
深度2026年4月20日23 分钟阅读
最有趣的发现是Agent-as-a-Judge通过主动与环境交互获取可验证证据，在多个领域超越了传统LLM评估方法。该论文适合强化学习研究者、大语言模型开发者以及需要评估智能体在复杂环境中行为的研究人员阅读。
觉得有用？分享给更多人
相关文章
Y Combinator 支持的 Specific Labs 发布 Real-SWE 基准测试，用真实公司的私有代码库考察 AI 编程智能体，避免公开代码被训练数据污染。Claude Fable 5.1 搭配 Claude Code 以 38.8% 的成功率排名第一，但仍有超过六成的任务失败。测试中 10 个任务中有 6 个成功率低于 15%，一个分析流缩减任务在 64 次尝试中无人解决。
深度The New Stack·9月14日·4 分钟
MCP 在 2025 年快速生产化后暴露出多起安全事件，根因都指向过宽的权限范围与缺失的身份模型。文章主张把范围（scope）、身份（identity）、生命周期（lifetime）作为一次性统一评估，用动态临时凭证替代固定永久 Token，并让 Agent 拥有独立于调用者的身份。
深度The New Stack·9月12日·9 分钟