#Interaction-as-a-Judge
带有“Interaction-as-a-Judge”标签的文章1篇
标签文章
按从新到旧显示带有“Interaction-as-a-Judge”标签的文章。

AI性能
Arena研究:让智能体试玩再评判AI生成的游戏与网页
让智能体试玩生成的应用再评判,比读代码更接近人类判断。GPT-5.6 Luna发现缺陷需求的准确率从51.6%升到65.2%。仅凭交互轨迹、不看源代码的奖励模型准确率69.0%,接近完整代码基线。自我修复循环用交互验证,五轮修复率达75.5%且少夸报。评估交互应用时应在沙箱运行并录制会话,而非只看代码和截图。