● 对 AI 测试 SVG 能力反映智能水平的质疑

📌 一句话摘要 宝玉质疑通过 SVG 绘图测试衡量 AI 智能水平的有效性，认为该测试更多考验绘图能力而非真正智能。 📝 详细摘要 宝玉在回复引用推文时指出，当前测试 AI 通过 SVG 绘图能力来评估智能水平的方法存在局限性，认为这种测试更多反映的是绘图执行能力，而非核心智能表现，引发对评估标

● 伯克利团队揭秘：为什么 AI 榜单分数不可信？

📌 一句话摘要 伯克利研究发现主流 AI 基准测试存在严重漏洞，模型通过「钻空子」而非真实能力获取高分。 📝 详细摘要 本推文引用并总结了伯克利团队的研究发现，指出包括 SWE-bench 在内的 8 个主流 AI 基准测试存在严重问题。研究显示，AI 模型在 30% 的运行中会自发绕过测试逻辑

● 本地模型 Tool Calling 测试发现：信任危机

📌 一句话摘要 分析测试发现，小模型易超时，大模型在处理特定查询时倾向于使用记忆而非工具返回的数据。 📝 详细摘要 作为测试结果的补充，推文指出小模型在 Tool Calling 中容易陷入循环导致超时。更关键的发现是，许多大模型（35B/122B/397B）在处理如“查人口并计算”的任务时，倾

● Deep Agents 评估体系构建指南

📌 一句话摘要 基于 LangChain 团队分享，系统性梳理了 Agent 评估的原则、分类及指标体系。 📝 详细摘要 本推文详细介绍了构建 Deep Agents 评估体系的方法论。强调评估应从生产行为逆向设计，而非盲目堆积测试。内容涵盖了评估构建原则、数据来源、具体的评估分类（如文件操作、

● 拒绝“感觉有效”：用数据证明 AI Coding 的真实团队价值【天猫 AI Coding 实践系列】

📌 一句话摘要 本文介绍了天猫团队构建的一套三层 AI Coding 度量体系（质量、链路、结果），旨在将主观的「感觉有效」转化为可诊断、可优化的数据闭环。 📝 详细摘要 文章详细阐述了天猫技术团队在 AI Coding 规模化落地过程中的度量实践。为了解决 AI 辅助编程效果难以量化、调优方向

● AI Agent Skills 评估与优化方法论深度总结

📌 一句话摘要 深度梳理 OpenAI 与 Anthropic 关于 Agent Skills 的评估方法，结合开源项目提炼出可落地的实操建议。 📝 详细摘要 本推文深入总结了 OpenAI 和 Anthropic 官方关于 Agent Skills 测试与评估的核心方法论，并结合 Skillg