Anthropic对比pass@k与pass^k谁更贴近产品可靠

Anthropic工程团队解读AI Agents评测：从任务集到Grader设计的路线图

Anthropic于2026年1月9日发布工程文章，系统拆解AI代理（AI agents）评测（evals）的关键方法，强调代理具备多轮交互、调用工具与改写环境状态等特性，单轮评测往往不足，需围绕“任务、试次、评分器、轨迹记录与最终结果”建立可复现的自动化评测体系，以减少上线后被动修复与质量回退。 ...