scoring

LLM-as-a-Verifier引入了一种概率验证框架，该框架从LLM的对数几率计算连续分数，并在粒度、重复评估和标准分解方面进行缩放。它在多个智能体基准测试上取得了最先进的结果，并为强化学习提供了密集反馈。

提出了一种新的RANSAC评分函数，该函数通过分析的方法边缘化内点尺度，从而消除了用户提供参数的需求。该方法在包含近70,000个图像对的基准测试上达到了最先进的精度。

本文来自 Chrome Developers，详细介绍了 Lighthouse 中基于代理的 AI 浏览类别，该类别评估网站与 AI 代理交互的准备程度。该类别侧重于数据收集并提供可操作的信号，而不是传统的数字评分，包括对 WebMCP、可访问性和内容稳定性的审计。

本文介绍了BioConCal，一种监督评分器，它利用推理时的面板和候选特征对LLM面板浮现的生物医学实体候选进行排序，在策展人筛选方面显著优于原始一致性。

一位开发者分享了构建AI潜在客户资格认定代理的实战经验，强调最棘手的问题并非AI本身，而是涉及模糊回答、路由逻辑、Slack噪音、CRM结构以及处理低匹配度潜在客户。