标签: #agent-benchmark
关于 GPU、LLM、MLOps、Kubernetes 以及心态的文章 · 1 篇
文本、图像、智能体分别怎么测 —— 三个领域的测量为何根本不同
文本、图像、智能体都在用"性能"这同一个词，但测量结构完全不同。文本分裂成假装有正确答案的选择题和没有正确答案的生成式任务；图像的分布距离和人类判断对不上；智能体则因为部分成功、环境状态、非确定性，从一开始就无法压缩成一个数字。本文在定义层面拆解各领域代表性指标实际计算的是什么，并为每个领域各配上一个"指标很高但实际很差"的案例。最后用一张表总结领域、任务、指标，以及每个指标遗漏了什么。
2026-08-02 · 32 分钟阅读 #llm-evaluation#multimodal#llm-as-judge#agent-benchmark#metrics