跳到正文
arXiv · AI· Markus D\"ucker, Vaibhav Kumar, Yi Liu, Ronak Chaudhary, Andreas Plesner, Francisco Guzm\'an, Anish Athalye·· 2 天前AI 评分37

研究提出开源验证器 Gandalf,在评分标准型智能体环境中实现更高 F1 且成本更低

Verifying Agents in Rubric-Graded Environments

AI 导读

研究提出开源验证器 Gandalf,在评分标准型智能体环境中以更低成本实现更高 F1。 基于 2,464 个人类判定标准构建 BankerVerifierBench,Gandalf 搭配 Gemini 3 Flash 时 F1 达 0.864(基准 0.852),成本仅为基准的 1/5;搭配 GPT-5.4 时 F1 提升超 0.12。

来源:arXiv · AI · arxiv.org