Microsoft Research 访谈：AI 会犯什么错，失败能教会我们什么
Microsoft Research 播客访谈 Jennifer Neville，讨论 AI 在多轮对话和智能体长程任务中的失败与评估。她指出单轮 benchmark 高分不代表多轮表现，多轮指定会让性能显著下降；在长文档编辑等长程工作流中，未被发现的错误会累积。团队建议查看数据、检查答案，并用更具体的用户反馈帮助改进模型。
Microsoft Research 播客访谈 Jennifer Neville，讨论 AI 在多轮对话和智能体长程任务中的失败与评估。她指出单轮 benchmark 高分不代表多轮表现，多轮指定会让性能显著下降；在长文档编辑等长程工作流中，未被发现的错误会累积。团队建议查看数据、检查答案，并用更具体的用户反馈帮助改进模型。