作者发布AuditKIT统一评估库论文

作者团队在 arXiv 发布预印本，介绍 source-available 评估库 AuditKIT：用统一结果表示记录大语言模型和智能体系统的基准准确率、评审式评估、运行时性能、工具调用与检索质量，并配方向感知的指标契约、配置指纹和可扩展的指标与后端。基于论文摘要。 作者称，七个案例研究覆盖模型对比、推理服务运行时、检索、工具调用和互操作性，显示答案抽取方式、运行时行为和指标选择会改变评估结果；缺失或不可观测的证据被标记为未评分而非计为失败。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。