SkillTV-Bench: Benchmarking How Well Judges Perform on Skill-Augmented Agentic Execution
arxiv.org原文 ↗
SkillTV-Bench 要求 judge 同时理解 skill 的程序性要求和完整执行轨迹，避免最终答案正确就忽略中间违约，或因表面步骤不同而误杀合法执行。
–浏览
arxiv.org原文 ↗
评论 · Comments