标签
本文介绍LivingArena，这是一个自动化的评估框架，其中LLM通过生成问题来探查彼此弱点，实现抗污染和可扩展的评估，并能随模型改进而适应。
本文介绍了腾讯WorkBuddy Bench，一个面向编码智能体的多领域评估套件，通过从真实提交和业务场景逆向工程任务来抵抗数据污染，涵盖代码、Web、办公和安全领域。