#évaluation
2 articles
- 2026-10-27
Nanbeige 4.3 : une meilleure quantification ne vaut pas un meilleur score d'agent
Un modèle de code prometteur montre pourquoi fidélité des tokens et réussite des tâches sont deux mesures différentes.
- 2026-10-25
Un benchmark d’agents teste aussi l’intégrité des traces
Les correctifs récents d’Inspect AI montrent qu’un classement fiable dépend aussi des traces d’échec et de reprise.