Hacker News · 17vibe / hacker_news ·
Show HN:AI 办公基准 ai2work-bench,并在自家裁判里发现 4 个 bug
为什么值得读: 开源基准 + 自我审计裁判,展示了 Agent 评估的实操细节,对构建评测体系很有参考价值。
AI 摘要
开源项目 ai2work-bench 评测 AI 完成办公任务的能力,作者还公开了自己评测裁判模型中的 4 个缺陷。
相关事件与更多上下文见编辑部与归档页。