Benchmark Radar 第六十五天：来自部署轨迹的基准
Published:
Benchmark Radar 的第六十五天。每日扫描发布 758 条记录，推荐 381 条，领头的是 TraceDance：它把真实的智能体部署轨迹变成针对不良行为的基准。记分牌：266 颗星，43 个 fork。
Benchmark Radar 已上线。 每天追踪新的 AI 基准测试、数据集与排行榜：打开仪表盘 或 在 GitHub 上 Star。阅读论文：arXiv:2609.11115。查询数据：Hugging Face 数据集。
本轮抓取 1,423 条，保留 758 条，推荐 381 条。
TraceDance 把真实的智能体部署轨迹变成针对用户指定的不良行为的基准。它从一个记录下来的决策点出发，评估模型的下一步动作，所以任务完成并不被当作行为可接受的充分证据。
Certified Selective Automation of LLM Agent Evaluation 这个方法回答的问题是：在错误率不超出给定预算的前提下，自动裁判能处理多大比例的轨迹复核。它考虑了多个智能体做同一批任务时结果相关的情况，此时通常的独立样本假设不成立。
WebPageBench 根据带类型的界面事件日志来验证网页智能体的任务完成，不用模型裁判，也不抓取页面。它可以只改动一个界面控件而重新渲染同一个任务，提示词和成功条件保持不变。
为什么要在意
本轮扫描发布了 758 条记录，是这一段日子里最多的一天。对每一条都值得问同一个问题：这个分数把什么算作成功？
解决的问题
- 每日快照：抓取 1,423，发布 758，推荐 381
- 记分牌：266 / 1000 星，43 个 fork
第六十六天：扫描继续，星数 266，fork 43 个。
想跟进 Benchmark Radar？在 GitHub 上 Star 仓库 获取每日更新，或 打开实时仪表盘 浏览扫描结果。阅读论文：arXiv:2609.11115。