面向智能导购的 Agent 评测实践
中文摘要
大淘宝团队研发家居导购Agent自动化评测链路，通过多维度基准与大模型打分提升评估效率与准确性，gpt51表现优于现有模型。
English Summary
Taobao team developed an automated evaluation framework for home shopping agents, using multi-dimensional benchmarks to achieve 91.9% accuracy, with gpt51 outperforming current models by 16.4%.
原文节选
📌 一句话摘要 本文提出一套面向家居导购 Agent 的自动化评估链路，基于结构化多维度 Benchmark 和 LLM-as-a-judge 实现 91.9% 准确率的自动评分，并量化对比发现 gpt51 最优，较线上模型 qwen3-vl 提升 16.4%。 📝 详细摘要 本文来自大淘宝技术团队，分享了一套面向家居导购 Agent 的端到端自动化评估实践。文章首先指出传统人工评测成本高、主观性强、难以复现的问题，并...