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
AWS FinOps Agent 进入公开预览，可通过自然语言查询成本、自动调查异常并创建 Jira 工单或 Slack 通知。权限以只读为主，构建于 Bedrock 之上，目前仅在美国东部区域可用。
深度The New Stack·6月16日·4 分钟
Anthropic 暂停了 Claude Agent SDK 的计费变更，该变更原定于 6 月 15 日生效，旨在将 Agent SDK 使用量从通用订阅额度中分离出来并单独计费。此举是在美国政府要求 Anthropic 撤下 Fable 5 和 Mythos 5 模型之后做出的，意在安抚开发者群体。
深度The New Stack·6月16日·3 分钟