continuous-evaluation

对31,352份每小时LLM基准评分的分析显示，日间波动约为日内波动的三倍，强调了持续监测性能漂移的重要性，从而促成了AIStupidLevel系统的创建。

本文介绍了ACES，这是一个通过实际试验对AI智能体技能进行连续评估的框架，它测量技能提升（Skill Lift）以量化附加值，并展示了与仅扫描门控相比在企业存储库上的有效性。

AI智能体在通过评估后常因分布偏移和上游变更在生产环境中漂移；持续评估和实时监控可缓解此问题。