开发者吐槽 Agent 评测反模式：小模型当裁判又塞满上下文

2026年10月16日，据 AGI Hunt 报道，开发者 xeophon 公开吐槽 agent 评测中最常见的反模式：一是用小模型充当 judge（裁判），二是在 prompt 中塞入过多上下文。xeophon 认为，这两种做法叠加会让评判结果不可靠，并称这是 eval 工程中值得警惕的做法。报道未披露具体的模型名称、测试项目或实验数据，也未提及是否有团队或机构因此调整评测方案。截至目前，该说法仍是 xeophon 个人对评测工程实践提出的批评，尚无关相关方的回应或后续改进措施的公开信息；此前亦未见关于此事的其他报道。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。