推文

@xiaoshan0413 · 2026-10-15 14:18

benchmark 先行是好事，personal agent 的评测一直缺个地基。但话说回来：偏好和习惯这种长尾数据，用标准化 benchmark 测得准吗？真考场永远是用户自己的生活——测得了一时，测不了三个月后的信任账。

曝光 5 · 评论 0 · 点赞 0 · 书签 0