AI资讯新闻榜单内容搜索-WebArena

关键词: AI新闻,AI作弊,SWE-bench,WebArena,模型训练,Meerkat

伯克利团队归纳出7种反复出现的模式：智能体和评测程序共享运行环境、标准答案暴露给被测系统、对不可信输入调用eval()、LLM裁判缺乏输入过滤、字符串匹配过于宽松、评分逻辑本身有bug、以及评测程序信任被测系统产生的输出。