交互式评估 LLM-DailyDigest 2026-08-30 2026-08-30 约 100 字 预计阅读 1 分钟 交互式评估 本主题由提交工具自动创建，可在此补充洞察与资料。 相关消息（按子主题自动聚合） 交互式评测 9 InteractiveWorld：可验证的人本交互式 MLLM 环境 10-29 StreamEval：交互式流式视频生成统一评测基准 10-23 DIVE：连续流视觉参与的全双工交互评测基准 10-22 SIT-Eval：基于情境的对话智能体逐轮交互评测 10-19 AI 主导与人类主导的聊天访谈质量比较 10-19 FIGS：不惩罚共情的多轮迎合性评测框架 10-01 Duplex-MPE：全双工多方对话交互基准 09-30 OmniAssistBench：全模态助手交互评测基准 08-24 PlayWorld：智能体玩家驱动的长程世界模型评测基准 08-15 交互成本 1 上下文压缩会增加智能体的隐性交互成本 08-18 代码评测 5 SWE-DIVE：动态用户模拟的多轮编程智能体评测 10-22 UserSWE：动态用户多轮对话中的编程智能体评测 10-22 SWE-Journey：面向长程多轮交互的真实编码助手评测 10-10 编码智能体基准应匹配用户真实任务流 10-08 ProgramDistill：从交互式 Web 应用生成可验证软件工程任务 09-17 优势公平性 1 ARC：开放式交互中的公平相对优势比较 08-26 医疗人工智能评测 1 K-Bench：高风险心理健康对话的临床校准评测基准 09-15 协同测量 1 AI 编程智能体团队的协调测量 08-18 原生交互 1 ASIL：以结构化状态与语义动作取代截图点击 08-29 在策略蒸馏 1 UserArena：长时程购物智能体的交互式用户模拟基准 10-27 多智能体系统 1 LLM 交互中的操纵与意见演化 10-22 安全评测 2 DUMA-Bench：双控制交互下的多智能体安全评测基准 09-22 DyMT-ESB：用户与 LLM 交互中的动态多轮社会偏见评测 09-17 对应关系审计 1 跨视图对应是一种测量干预：智能体评测与信用分配的双向验证 08-19 心智理论 1 Fuse：LLM 助手的可验证社会推理评测 09-19 技能演化 1 SkillEvo：以多轮交互反馈持续演化智能体技能 08-16 智能体评测 14 Fig：自动化多智能体行为诱导与评测系统 10-22 FDE-Gym：评测 AI 客户交付“最后一公里” 10-18 Realtime-Bench：前沿模型实时交互能力评测 10-18 评估 LLM 智能体的探究学习：假设、推理与探索 10-18 AgentPerturb：受控交互扰动下的 LLM 智能体鲁棒性评测 10-18 Kolab：长程工作流中的人机协作评测基准 10-18 OmicsBench：研究规模生物信息学长程多轮智能体评测基准 10-18 Learn2Play Bench：评测智能体在陌生环境中的经验学习能力 10-10 InterviewPlayground：AI 访谈员仿真评测环境 10-09 Talk2Agent：面向文本智能体的语音接口评测基准 10-01 WebPageBench：基于事件验证与可控 UI 变体的网页智能体评测 09-30 Claude Opus 5.5 上架 Agent Arena 与 Battle Mode 09-23 FinalityBench：延迟与冲突金融终局下的智能体决策评测 09-07 MNIST-PRO：面向部分可观测智能体的感知状态评测 09-01 模型可靠性 1 SPINE：持续多轮压力下的 LLM 迎合性评测 09-09 泛化机制 1 同策略蒸馏泛化的双重效应：行为迁移与能力跷跷板 08-18 演化能力评测 1 S3Gym：LLM 能否通过自测试与自评判实现自我改进 09-01 结构读出 1 Prompt-Model 交互抵达固定点：无任务确定性结构读出 08-24 缺失前提识别 1 优化前先澄清：面向交互式优化的动态预公式化框架 09-08 置信度评估 1 自信但错误的 LLM 如何导致人类服从与信任校准失效 10-23 航空评测 1 AeroCopilotBench：交互式虚拟驾驶舱中的航空副驾驶智能体评测 08-18 视觉推理 1 RoTA-Bench：以交互式投影对齐评估三维空间推理 10-18 记忆能力评测 1 ReTurn：多模态多轮交互中的选择性历史使用评测 10-09 评测审计 4 PROBE：学习审计工具型 LLM 智能体的策略合规性 10-18 面向多轮业务智能体的可靠 LLM-as-a-Judge 测量系统 09-29 GPT-6 Astra基准成绩因测试环境从99.9%降至62.7% 09-11 API 基准分数无法可靠迁移至聊天机器人界面 09-09 语音-文本冲突 1 文本误导下的音频扎根对话推理 08-28 跨模态一致性 1 语音与文本输入下多模态模型的跨模态不稳定性 08-28
