跳到主要内容

新版本在榜上全线领先并已上线,回复大约拉长到原来的三倍,「查物流」被当成敏感查询而拒答,JSON 工单标签解析失败变多,用户评分变差。一周内如何判断:这算能力下滑,还是行为漂移(公开基准根本没给这类表现打分)?

Agent 评测与可靠性中级评测与可靠性

题目​

新版本在榜上全线领先并已上线,回复大约拉长到原来的三倍,「查物流」被当成敏感查询而拒答,JSON 工单标签解析失败变多,用户评分变差。一周内如何判断:这算能力下滑,还是行为漂移(公开基准根本没给这类表现打分)?

参考答案​