跳转至

Read this paper write-up in English

Certified Selective Automation of LLM Agent Evaluation

复现级别：L1 核心机制诊断。 执行 task-cluster bootstrap certificate；mini-suite 证书不代表论文语料覆盖率。

论文信息

字段 内容
论文链接 Certified Selective Automation of LLM Agent Evaluation
公司/机构 Independent Researcher（按第一作者署名单位）
首次公开日期 2026-09-28（arXiv v1）
原文开源代码 否：截至 2026-09-30 未找到原作者公开仓库
Adapter / 方法 certified-selective-eval
本地复现代码 src/auto_research/agent_research/latest_20260930_closure.py

原始论文总结

背景与主要改动

按任务簇而非轨迹独立假设做 bootstrap，给自动判断区域的错误率建立上置信界，只有证书低于预算才自动接管。

flowchart LR
  I[公开输入/当前状态] --> M[certified-selective-eval 核心机制]
  M --> A[可审计中间量]
  A --> O[输出/更新状态]

原论文关键图

Certified Selective Automation of LLM Agent Evaluation 原论文 Figure 1

原论文 Figure 1（关键图）：展示原论文方法的总体设计和关键组成。图片来自原论文，版权归原作者所有；点击图片可查看来源。

核心公式

本地 reference kernel 保留论文决定性的门控、掩码、递归、信用权重或晋级条件；测试同时检查梯度隔离、类型边界和确定性。

论文离线与线上效果

论文中的 benchmark、速度或训练曲线属于原文结果。本地三种子 mini-suite 仅检验机制和不变量，不与论文规模结果横比，也不外推线上收益。

本地复现

三种子诊断见 metrics/mechanism-seeds42-44.json。其中 diagnostic_only=true，不能进入正式能力排名。

复现边界

执行 task-cluster bootstrap certificate；mini-suite 证书不代表论文语料覆盖率。