arXiv● مؤكد معيار جديد يكشف سقفًا بنيويًا لموثوقية حكام النماذج اللغوية في استدعاء الأدوات قدم باحثون معيار AgentJudgeBench لقياس موثوقية نماذج اللغة بصفتها حكامًا على أنظمة استدعاء الأدوات، عبر 3808 حالات تمتد على ستة أنماط وثلاث درجات صعوبة. أظهرت النتائج أن توافق الحكام يتراجع مع صعوبة المهمة وأن النماذج الكبيرة لا تتجاوز سقفًا ضيقًا عند غياب الإجابات المرجعية. لماذا يهم: يعني أن تقييم الوكلاء الأذكياء آليًا قد يكون أقل موثوقية مما يعتقد المطورون. اقرأ الخبر ← · 👍 👎 |