elvis(@omarsar0)· elvis (@omarsar0)·· 4 天前AI 评估 · 44/100分数表示内容值得关注的程度，依据实质份量、信息增量、证据强度、读者相关性和可用性，按内容类型加权。显示分数为两次独立评分的平均值。AI 判断可能有误，评分不代表事实已被核实，也不同于热点榜的讨论热度。
每个智能体基准都应审计其验证器：Parsewave 修复 AutomationBench 206 个验证器 bug，发布 AutomationBench Verified
We need more efforts like this. Every agent benchmark should audit its verifiers. Parsewave went ...
AI 导读
Parsewave 审查了 Zapier AutomationBench 全部 600 个公开任务，用智能体写出逼真的错误答案来诱导验证器，人工复核确认 206 个真实 bug，并全部修复，发布 AutomationBench Verified。
来源：elvis(@omarsar0) · x.com