Benchmark Radar 第 88 天：先冻结策略，再测留出期
Published:
Benchmark Radar 第 88 天。先冻结策略，再测留出期。本轮抓取 1,613 条，发布 814 条，其中 319 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。
Quant-Arena 评估完整的量化交易研究过程。智能体利用 2022 至 2023 年中国 A 股数据的反馈，开发特征和股票评分代码，再冻结一个策略，交给开发期间不可访问的 2024 年封闭留出集测试。这样可以检查迭代改进能否迁移到未见时期。 Quant-Arena: Benchmarking LLM Agents for Quantitative Trading Research。
VerifierBench 用 222 项任务和 4,993 个隐藏测试，评估智能体编写可执行验证器的能力。测试包含其他正确解和攻击，并用六项检查审计基准自身的源验证器和测试。生成的检查程序既要接受有效替代解，也要拒绝无效候选解。 VerifierBench: Benchmarking the Generation of Executable Verifiers for LLM Agents。
为什么要在意
把最终测试隔离在开发循环之外，并审计成功判定机制。否则，迭代可能只提高可见分数，无法证明泛化。
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 814 条证据中的 169 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：2026-10-22 归档快照。