Claw-Eval：面向可信自主智能体评估的新框架
深度2026年4月7日32 分钟阅读
最有趣的发现是：仅检查最终输出的传统评估会遗漏近一半的安全违规，而多模态任务中视频处理能力普遍弱于图像和文档。人工智能研究者、智能体开发工程师和部署决策者都应阅读本文，以了解如何系统评估智能体的真实可靠性和多模态能力。
本文编译自 Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents，版权归原作者所有。
觉得有用？分享给更多人
相关文章
Better-Harness 将评估数据视为智能体的训练数据，通过诊断、实验、验证和人工审核的闭环，自动优化执行框架。系统使用优化集和保留集防止过拟合，并利用生产轨迹生成评估案例，形成持续改进的飞轮。
深度LangChain·4月8日·8 分钟
Anthropic 限制其最新模型 Claude Mythos 的访问，仅提供给 Project Glasswing 的合作伙伴，理由是其在网络安全漏洞发现方面能力过强。该模型已发现数千个高危漏洞，包括各大操作系统和浏览器中的问题。多位安全专家证实，AI 在漏洞研究方面已取得质的飞跃，引发行业关注。
深度Simon Willison·4月7日·5 分钟