LLM评估

研究者提出AgentFAIR框架，利用13个LLM评估器对地理空间数据的可发现、可访问、可互操作和可重用性进行自动化评估，显著提升了评估一致性。

研究通过回放SWE-bench、AppWorld等公开基准测试数据，发现部分任务运行往往无法得出与完整测试相同的结论，不同基准所需任务比例差异显著。