鲁棒性

已审阅并标注「鲁棒性」的研究与资产。

条目依据已审阅标签归类,同一主题不表示资源之间存在依赖关系。日期保留来源精度,注释保留原语言。

论文与综述

173回到顶部 ↑
论文

How Benchmarks Mis-Score Computer-Use Agents

Zihan Dong, Zhiyuan Ma 等 8 位作者

Audits failure-scored computer-use trajectories to distinguish agent errors from broken tasks and evaluator false negatives. It organizes reliability issues across task construction, trajectory evidence, scoring, and reporting, then derives corresponding evaluation design practices.

网页桌面

第 1–60 条,共 186 条资源。

通过主题导出清单获取完整记录和证据。克隆目录后,可将主题记录直接交给标准 RAG 与引用导出工具。