**超越静态排行榜：基于预测效度的大语言模型智能体评估**

_Beyond Static Leaderboards: Predictive Validity for the Evaluation of LLM Agents_

> 本文指出当前综合得分排行榜无法全面衡量大语言模型智能体在真实部署中的表现。通过整合14项实现研究与7个已有基准，发现排名在分布外场景中极不稳定。提出以预测效度（样本内与样本外排名相关性）替代平均得分，并构建了多维测量体系。最后给出可证伪的分布外准则及下一代基准设计愿景。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-06-19 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2606.19704)