普林斯顿、斯坦福等发布 72 页智能体评测综述，提出 33 个趋势

普林斯顿、斯坦福及英国人工智能安全研究所等机构发布《Emerging Trends in AI Agent Evaluation》，以“如何、评什么、谁来评”三个维度归纳智能体评测的33个趋势，关注价值在于将评测对象从单一模型扩展到模型、工具、脚手架和运行环境组成的完整系统。

• 综述指出，智能体执行过程具有多步骤和随机性，仅看最终结果可能掩盖捷径、工具误用或评测漏洞。
• 评测范围应从实验室能力延伸至人与智能体互动、组织流程及社会影响。
• 不同评测者对提示词、工具、预算和统计方法的选择，可能导致同一系统得分不同。
• 文章将动态基准、轨迹分析、人工复核和生态有效性列为需要继续完善的方向。
• 影响/看点：这可能推动智能体评测从单一分数转向过程、成本、可靠性和实际部署效果的组合证据，前提是相关方法能够形成可复现标准并获得独立验证。
• 资料依据:
• 普林斯顿大学 SAgE《Emerging Trends in AI Agent Evaluation》（2026-10-19）：https://sage.cs.princeton.edu/trends/
• X：邵猛（2026-10-20）：https://x.com/shao__meng/status/2112491996313174111

本内容由 AI 生成，仅供参考，请注意甄别