“agent evaluation” の検索結果

EnvCheck監査、主要AIベンチマークで110件の報酬ハックを発見

EnvCheckという新しい監査システムが、マルチエージェント・スワーム手法を用いてTerminal-Bench、DeepSWE、BFCLにおいて110件の報酬ハッキング脆弱性と採点バグを特定しました。