Benchmark Radar 第 81 天：去重后仍要按患者划分
Published:
Benchmark Radar 第 81 天。去重后仍要按患者划分。本轮抓取 1,711 条，发布 899 条，其中 425 条标为推荐。
Benchmark Radar 已上线。 打开仪表盘、在 GitHub 上 Star，或阅读论文。数据见 Hugging Face 数据集。
一项脑肿瘤 MRI 基准审计报告称，所有可追溯的 761 张肿瘤测试图像，都来自训练集中也出现过的患者。按患者隔离的交叉验证使报告的总体准确率从约 99% 降到 95%。只移除像素级重复图像，没有带来同样的修正。 Complete Patient-Level Leakage Among Traceable Images in a Widely Used Brain Tumor MRI Benchmark。
EvoProbe 根据诊断反馈重新生成智能体任务。它给可验证的子任务评分，并检查完整动作序列，定位各阶段的瓶颈。即使最终成功率变化很小，也能分别检查规划和执行是否改善。 EvoProbe: Evaluation-Driven Benchmark Evolution for LLM Agents。
为什么要在意
测试应围绕需要泛化的对象来划分。同一个人有多张图像时，隔离单位应是患者；智能体工作流则应保留失败阶段的证据。
扫描范围
这是按关键词筛选的发现信息流，不能代表全部 AI 研究。归档简报使用了所收录 899 条证据中的 189 条。本文概述其中引用的发布成果；扫描发现日期不一定是成果的最初发布日期。
数据与简报：2026-10-15 归档快照。