标签： Agent测评

在人工智能技术快速迭代的今天，大语言模型的评估体系正面临前所未有的挑战。传统以MMLU（大规模多任务语言理解）为代表的静态评估方法，在智能体（Agent）技术兴起后显露出明显局限。某实验室最新研究发现，在MMLU测试中得分超过90%的模型，在真实场景的对话任务中失败率高达62%，这暴露出当前评估体系