https://cjraft.github.io/tags/eval/ Recent content in Eval on CJ's Blog Hugo -- 0.157.0 zh-CN Wed, 05 Aug 2026 10:00:00 +0800 https://cjraft.github.io/research/2026-08-05/ Wed, 05 Aug 2026 10:00:00 +0800 https://cjraft.github.io/research/2026-08-05/ 本期：产品线无旗舰落窗，收 Google 两条 agent 工具链动态（Agent Skills in Genkit Go + 多模型路由网关），及 LLM·Agent（跨任务技能进化 / 记忆基础模型）、Harness（失败归因分类法 / 代码删除回避 / ML 工程递归自改进）、Eval（用户中途改代码 / 盲目穷举搜索 / 流式自演化）、世界模型（状态感知游戏世界模型）方向的重点论文精读。 https://cjraft.github.io/research/2026-07-25/ Sat, 25 Jul 2026 10:00:00 +0800 https://cjraft.github.io/research/2026-07-25/ 本期：Anthropic 发布 Claude Opus 5（Opus 档跨代、逼近 Fable 5 而价格减半），及 LLM·Agent（递归自改进深度研究 / 经验蒸馏）、Harness（agent 即 Python 对象 / 真实 harness 内端到端训练）、Eval（抗污染编码 agent 基准 / 交互式项目搭建评测）、世界模型（多智能体世界状态寄存器）方向的重点论文精读。 https://cjraft.github.io/research/2026-07-22/ Wed, 22 Jul 2026 10:00:00 +0800 https://cjraft.github.io/research/2026-07-22/ 本期：Gemini 3.6 Flash 系列上线（Pro 仍缺席、预热 Gemini 4），及 LLM·Agent（自裁剪上下文 / LLM-as-Coach / RLVR 谱继承 / 异步 RL 稳定化）、Harness（agent 失败归因、实时多模态部署）、Eval（事实完整性基准）、世界模型（交互式长程世界模型）方向的重点论文精读。 https://cjraft.github.io/research/2026-07-20/ Mon, 20 Jul 2026 10:00:00 +0800 https://cjraft.github.io/research/2026-07-20/ 本期：Moonshot Kimi K3 转正为首个开放 3T 级模型，及 LLM·Agent（智能体 RL 自蒸馏、推理能力的预训练根源、Muon 优化器）、Harness（可导航手册 / 递归自改进 / 生成式编译）、Eval（Agent 评测基建、harness 演化评测反思）、世界模型（世界-动作模型对抗）方向的重点论文精读。 https://cjraft.github.io/research/2026-07-15/ Wed, 15 Jul 2026 10:00:00 +0800 https://cjraft.github.io/research/2026-07-15/ 本期：DeepSeek V4 正式版转正并上线业界首个 API 峰/谷计价，及 LLM·Agent（多智能体互探失败、代理引导后训练、元认知综述）、Harness（QA 驱动仓库知识修 issue）、Eval（高等数学证明生成与验证）、世界模型（小米 U0 具身基座）方向的重点论文精读。 https://cjraft.github.io/research/2026-07-13/ Mon, 13 Jul 2026 10:00:00 +0800 https://cjraft.github.io/research/2026-07-13/ 本期：Claude Code 第 28 周密集迭代，及 LLM·Agent（主动式基准、科学血统推理、长上下文 TTT、数据科学因果推理）、Harness 记忆干预、Eval（前端产物交互评测 UI2App）、具身动作生成方向的重点论文精读。