Kertas penyelidikan

EVA-Bench Data 2.0 dilancarkan: meliputi tiga domain, 121 alat, 213 senario

Tajuk asal:EVA-Bench Data 2.0: 3 Domains, 121 Tools, 213 Scenarios

Ringkasan AI

EVA-Bench Data 2.0 meluaskan skop penilaian daripada satu domain perusahaan kepada tiga domain: pengurusan perkhidmatan pelanggan (CSM) syarikat penerbangan, pengurusan perkhidmatan IT perusahaan (ITSM) dan penyampaian perkhidmatan HR penjagaan kesihatan (HRSD), merangkumi 121 alat dan 213 senario, dengan bilangan senario meningkat kira-kira 4 kali ganda berbanding versi asal. Setiap senario disahkan boleh diselesaikan oleh OpenAI GPT-5.4, Google Gemini 3.1 Pro dan Anthropic Claude Opus 4.6. Set data mengikut lima prinsip reka bentuk iaitu suara-utama, realisme, kepelbagaian, aliran pengesahan dan kebolehulangan, serta merangkumi jenis panggilan satu niat, berbilang niat (maksimum 4 niat) dan adversarial. Ketiga-tiga set data telah disumberterbuka dan boleh dimuat turun terus dari Hugging Face melalui `load_dataset`. Sambungan berbilang bahasa akan menyusul.

Maklumat penting

  • EVA-Bench Data 2.
  • 0 meluaskan skop penilaian daripada satu domain perusahaan kepada tiga domain: pengurusan…
  • Setiap senario disahkan boleh diselesaikan oleh OpenAI GPT-5.
  • 4,Google Gemini 3.
  • 1 Pro dan Anthropic Claude Opus 4.

Sekilas pandang

Diterbitkan pada
Dikemas kini pada
Sumber
Hugging Face 社区博客(混合发现)
Kategori
Kertas penyelidikan
Skor AI
65
Baca asal Baca artikel penuh di sumber asal
Sebab disyorkan

语音代理评测缺的就是这种真实场景的数据集,EVA-Bench 2.0 把航空、IT、医疗三个最棘手的领域打包了,生成流水线也开源,做评测的可以直接拿来用。

Entiti Berkaitan

Sumber dan hak cipta

Artikel ini disusun berdasarkan tajuk pilihan dan ringkasan AI daripada API awam AIHOT, dengan sumber dinyatakan dan pautan balik disediakan; hak cipta teks asal milik media dan penulis asal, laman ini tidak menyalin penuh teks penuh.

Pautan asal · Entri AIHOT

Cara memetik

Apabila memetik artikel ini, kekalkan tajuk, tarikh dan pautan kekal, serta nyatakan sumber sebagai Orange News.

Orange News: EVA-Bench Data 2.0 dilancarkan: meliputi tiga domain, 121 alat, 213 senario. 4 Jun 2026. https://new.nat6.net/ms/news/cmpzhk1rp03k5slkpmx3q7mp3/

Lihat Semua →