跳到主要内容
检索

# 积极与平均化偏差

1 篇关联报道

订阅更新
  1. arXiv

    快手三个月真实日志做成OmniBehavior:最强模型总分44.55,人类基线56.11

    现有用户模拟评测多局限于单一场景、动作空间狭窄或依赖合成数据,难以覆盖真实行为的跨场景与长程结构。OmniBehavior以快手平台三个月真实日志构建,覆盖5个场景、22种动作,包含200名代表性用户共212万次交互。在该基准上,表现最好的Claude-Opus-4.5总体得分44.55,人类基线为56.11,且上下文从16K扩到128K并未带来稳定提升。

已读完全部报道