Adobe 论文：用可执行代码替代固定答案，agent 评测准确率提升 29%

Adobe 研究团队提出用可执行代码替代固定答案的 agent 评测方法：把"正确答案"写成一段代码，评测时实时拉取最新结果，再由 AI 评分器据此判分。在 53 个测试用例上，以代码为参照相比文字答案，AI 评分器与人类专家判断一致性提高 29%，token 消耗减少 16%。完全没有参照答案时，AI 评分器表现甚至不如随机。