arXiv · cs.AI· Qianhong Guo, Wei Xie, Xiaofang Cai, Shuoyoucheng Ma, Chengxin Hu, Baosheng Wang·· 4 小时前
EvoProbe：用于大语言模型智能体评测的基准演化框架
EvoProbe: Evaluation-Driven Benchmark Evolution for LLM Agents
arXiv:2610.19433v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Qianhong Guo, Wei Xie, Xiaofang Cai, Shuoyoucheng Ma, Chengxin Hu, Baosheng Wang
研究任务与主要进展
研究提出 EvoProbe，将任务生成、诊断评测和反馈驱动的任务再生成组成闭环，用于持续演化大语言模型智能体评测基准。基于论文摘要，该框架结合可验证子任务结果评分与有证据支持的多评审轨迹评估，提取阶段级瓶颈、成功和失败模式；网络安全场景两轮实验评估了8个模型和66项任务。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org