Agent 評測與可觀測性

TruthInsightBench 精讀：如何評估 AI 是否真的在做科學發現

TruthInsightBench 把評估焦點從重現預設答案，移到 Agent 自行提出的主張是否有可追查、穩健、受控制且可被推翻的證據。本文拆解盲測任務、29 項評分與四種 coding-agent scaffold 的結果，也檢視單一 frozen model、單次執行和 LLM judge 校準的邊界。