Agent Systems and Evaluation

MLOps-Bench 精讀：Agent 能否完成生產級 ML 維運

MLOps-Bench 把 coding agent 放進 31 個真實開源 ML 專案，測試它能否跨資料、訓練、服務、監控與治理完成可執行變更。本文拆解任務如何由 repo 證據生成、六種 Agent 的 187 項評測結果，以及 31.2% 任務完成率與 68.7% 測試通過率之間的關鍵落差。