#Ajan Değerlendirmesi

AgentJudgeBench: Yapay Zeka Haklarının Ajanlar Tarafından Değerlendirilmesini Test Etmek

Araştırmacılar, büyük dil modellerinin aracı çağrı sistemlerini değerlendirmedeki güvenilirliğini ölçmek için yeni bir kıyaslama seti sundu.