BenchGuard：用LLM自动审计Agent基准
热点事件持续更新
BenchGuard：用LLM自动审计Agent基准
1 篇报道1 个报道来源3 小时前更新
先了解这件事
AI 综述
Xinming Tu等研究者提出BenchGuard，称其为首个面向执行式Agent基准的跨工件联合审计框架，用前沿LLM系统核查基准自身缺陷。在ScienceAgentBench上，该框架发现12个作者确认的问题，其中包括导致任务不可解的致命错误；在BIXBench Verified-50子集上，其发现与专家发现的问题匹配率达83.3%，并捕获此前人工审查完全遗漏的缺陷。 研究者称，对50个复杂生物信息学任务做一次完整审计的成本低于15美元，因此自动审计可作为人工审查的实用补充。
AI 根据报道生成 · 1 小时前更新
最新进展10月5日 12:00
BenchGuard：用 LLM 自动审计 LLM Agent 基准报道时间线
沿着报道，了解事件的不同侧面。
10月5日
- arXiv：cs.AIBenchGuard：用 LLM 自动审计 LLM Agent 基准
研究者提出 BenchGuard，首个面向执行式 Agent 基准的跨工件联合审计框架，用前沿 LLM 系统性核查基准本身的缺陷。在 ScienceAgentBench 上发现 12 个作者确认的问题，包括导致任务不可解的致命错误；在 BIXBench Verified-50 子集上与专家发现的问题匹配率达 83.3%，并捕获此前人工审查完全遗漏的缺陷。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。